高斯过程自回归回归模型（GPAR）

Feb, 2018

The Gaussian Process Autoregressive Regression Model (GPAR)

James Requeima, Will Tebbutt, Wessel Bruinsma, Richard E. Turner

TL;DR提出了 Gaussian Process Autoregressive Regression (GPAR) 模型，是一种可伸缩的多输出高斯过程模型，能够简单而可行地捕获可能因输入变化而产生的非线性依赖关系，并在各种合成和真实世界问题上展示了 GPAR 的有效性，优于现有的 GP 模型并实现了在已有基准测试中的最先进性能。

Abstract

multi-output regression models must exploit dependencies between outputs to maximise predictive performance. The application of gaussian processes (GPs) to this setting typically yields models that are computatio

multi-output regression models gaussian processes nonlinear dependencies gaussian process autoregressive regression state-of-the-art performance

发现论文，激发创造

高斯过程回归网络

本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，它结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性，可以适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点，并且提出了该模型的有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程。本文应用 GPRN 提出了多输出回归和多元波动性模型，展示了其在基准数据集上明显优于八个流行的多任务高斯过程模型和三种多元波动性模型的性能，其中包括一个 1000 维基因表达数据集。

Oct, 2011

高斯过程回归的直观教程

本教程旨在提供对高斯过程回归的直观理解。首先解释了构建高斯过程的基本概念，包括多元正态分布，核函数，非参数模型以及联合和条件概率。然后简要描述了高斯过程回归以及标准高斯过程回归算法的实现。除标准高斯过程回归外，还介绍了实现最先进的高斯过程算法的软件包。本教程以易懂的方式编写，可确保没有机器学习背景的读者能够充分理解高斯过程回归的基础知识。

Sep, 2020

潜在高斯过程回归

介绍了一种名为潜在高斯过程回归的方法，可以扩展输入空间，使用潜在变量来调制协方差函数以处理多模态和非平稳过程的回归问题，并在合成数据和实际应用中进行了验证。

Jul, 2017

低秩协方差矩阵逼近的并行高斯过程回归

本文介绍了两种基于低秩协方差矩阵逼近的并行高斯过程回归方法，这两种方法可以将计算负载分布在并行机器之间以达到时间效率和可伸缩性，并经过理论分析证明了这些方法的预测性能等价于一些集中式的近似高斯过程回归方法，并且在两个真实数据集上的实证评估表明我们的并行高斯过程回归方法比其集中式对应物和全高斯过程方法具有更高的时间效率和可伸缩性，同时实现与全高斯过程方法相当的预测性能。

Aug, 2014

循环高斯过程

本文介绍了一种基于回归高斯过程（RGP）模型的贝叶斯非参数模型，能够从序列数据中学习动态模式，并提出了一种低维度的 RNN-based 顺序识别模型，可用于非线性系统识别，以及具有广泛适用性的动态学习。

Nov, 2015

通用自回归用于多保真度融合

本文提出了基于张量分解以及潜在特征的广义自回归（GAR）方法，在多保真融合问题中能够处理任意维度的输出和任意保真数据结构，并且具有良好的可扩展性和精度，同时提出了简化版的算法 CIGAR 以降低计算复杂度，经过实验验证，该方法明显优于现有的同类方法。

Jan, 2023

遥感中的物理感知高斯过程

本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。

Dec, 2020

贝叶斯回归和分类高斯过程模型的蒙特卡罗实现

本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。

Jan, 1997

使用高斯过程回归识别的条件变分自编码器用于参数模型

本文提出了一种基于数据驱动的方法，结合高斯过程回归和条件变分自编码器 (CVAE-GPRR)，用于参数模型，在实现快速在线预测的同时避免模型复杂性和噪声的影响。

May, 2023

高斯过程回归的谨慎模型预测控制

本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。

May, 2017