本文提出了在结构核插值框架中使用稀疏网格的方法，改进了高斯过程推理的可扩展性。这种方法结合了线性代数和基于单纯形的高维插值方案，使得 SKI 能够在更高维度下可靠地实现精确的推理。

May, 2023

通过将稠密的格子转化为稀疏的单纯形网格，我们提出了一种新的方法 Simplex-GP，把最新的可扩展高斯过程方法 SKI 推广到更高的维度，同时保持较强的预测性能，并提供了一个 CUDA 实现，从而获得了显著的 GPU 加速。

Jun, 2021

本研究介绍了一种新的结构化核插值（SKI）框架，该框架推广和统一了可扩展高斯过程的引入点方法。SKI 方法通过核插值产生核近似值以进行快速计算，SK 始终讨论了引入点方法的质量如何依赖于插入（插补）点的数量，插值策略和 GP 协方差核。使用 SKI，我们介绍了一种名为 KISS-GP 的本地三次核插值方法，该方法与引入点替代方法相比，更具可伸缩性，并且 自然地启用 Kronecker 和 Toeplitz 代数，无需任何网格数据，并且可用于快速和表达式内核学习，对于 GP 推断，KISS-GP 需要 O（n）时间和存储成本。我们评估了 KISS-GP 的核矩阵近似，核学习，和自然声音建模。

Mar, 2015

我们提出了一种映射算法，用于在室内环境中通过近似高斯过程回归计算大规模磁场地图，以用于室内区域的定位算法。

Oct, 2023

该论文介绍了一种新的和灵活的分析框架，可用于证明任意再生核希尔伯特空间中的支持向量机，并且在独立亚高斯特征和一般有界正交系统家族（例如傅里叶特征）中的特征两个方面都表现出支持向量增殖现象，这些实验未能覆盖。

May, 2023

介绍了可伸缩的深度核，将深度学习架构的结构属性与核方法的非参数灵活性相结合，通过局部核插值、引入点、Kronecker 和 Toeplitz 代数进行转换，使用这些闭式核可以用作标准核的替代品，在表达能力和可伸缩性方面具有优势，通常情况下，学习和推断代价为 $ O (n)$，而预测代价为每个测试点的 $O (1)$。

Nov, 2015

本文提出一种新的变分高斯过程模型，将均值函数和协方差函数在再生核希尔伯特空间中表示，可通过随机梯度上升来求解，时间和空间复杂度仅与均值函数参数数量成线性关系，适用于大规模高斯过程模型和回归任务的求解。

Nov, 2017

通过利用核包技术（KP），我们证明了后向拟合的收敛速度不会比（1-1/n）^t 更快，其中 n 和 t 分别表示数据大小和迭代次数。因此，后向拟合需要至少 O (n*logn) 次迭代才能达到收敛。在 KP 的基础上，我们进一步提出了一种称为核多网格（KMG）的算法。该算法通过在每次后向拟合迭代之后引入稀疏高斯过程回归（GPR）来处理残差，适用于具有结构化和离散数据的附加 GP。从理论上讲，我们证明了 KMG 将所需迭代次数降低到 O (logn)，同时保持时间和空间复杂度分别为 O (n*logn) 和 O (n)。通过仅使用 10 个诱导点的稀疏 GPR，数值上证明 KMG 可以在 5 次迭代内生成高维目标的精确近似。

Mar, 2024

本文介绍了一种名为 Multiresolution Kernel Approximation (MKA) 的高效内存且适用于小长度尺度的高带宽核逼近算法。

Aug, 2017

简单的谱密度模型可以与高斯过程一起使用，以发现模式并支持外推。该方法支持各种站点协方差，但高斯过程推理仍然简单且解析，可以在多种合成和实际数据集中进行演示。

Feb, 2013