本研究提出了一种全新的基于变分贝叶斯推断法的、用于处理连续高斯过程调制泊松过程的方案，并得出了有关神经科学、地理统计和天文学等领域的实验数据，证明这种方案具有非常高的效率和性能优势。
Nov, 2014
本篇论文提出了一种组合变分方法和光谱表示的高斯过程近似算法，通过研究高斯过程的光谱特征和协方差，进行了相关推导和分析，并将该算法应用于 Matern 核和高维数据的处理中，结果表明该算法在计算速度和精度方面都表现出色。
Nov, 2016
本文提出了一种新颖的基于高斯 Cox 过程的最大后验推断方法，通过引入 Laplace 近似和核函数转换技术，使得推断问题在新的再生核希尔伯特空间中更易于计算，从而在功能后验和后验的协方差方面得到了扩展。在此基础上，我们提出了一个基于高斯 Cox 过程模型的贝叶斯优化框架，并进一步开发了一种 Nyström 近似方法以进行高效计算。在各种合成和实际数据集上的广泛评估表明，与现有的高斯 Cox 过程推断解决方案相比，本方法取得了显著的改进，同时还能有效地进行基于高斯 Cox 过程模型设计的各种收集函数的贝叶斯优化。
Jan, 2024
通过使用集成的 Fourier 特征，我们提出了一种扩展性能优势的方法，适用于广泛的平稳协方差函数类，从收敛分析和实证探索中证明了在合成和实际空间回归任务中的实际加速。
Aug, 2023
本文提出了第一个使用高斯过程的非参数贝叶斯模型，在不用网格化域或引入潜在稀化点的情况下对泊松点过程进行推断。我们设计了 MCMC 采样器，并展示了我们的模型在合成数据和实际数据上比竞争模型更快，更准确且生成的样本更少相关性。最后，我们证明我们的模型容易处理先前未考虑的数据规模。
Oct, 2014
提出一种新的方法，用于一般化贝叶斯非线性潜在变量建模，通过使用随机傅里叶特征来逼近高斯过程映射中的核函数，从而将 GPLVM 推广至泊松、负二项和多项分布等情况，并通过随机特征潜变量模型（RFLVM）对广泛的应用进行评估，结果表明该算法在复杂数据集的潜在结构和数据填充方面表现出着与现有先进算法相当的实用性。
Jun, 2023
介绍了基于日志高斯卡克斯过程模型的空间和时空点过程数据，并探讨了推断的方法。同时，通过四个应用程序演示了该模型的实用性。论文认为这类问题自然适用于空间统计学领域，且该领域更适用于科学问题的研究，而非特定的模型或数据格式。
Dec, 2013
本文提出了一种用于高斯过程建模的新方法，其中计算要求随着数据集的大小呈线性比例增长，与天文时间序列数据的应用作为例子，演示了此方法可用于概率推断星体旋转周期、星震振荡谱和凌星行星参数等问题，具有快速、可解释、可适用于天文数据分析和其他领域等优点。
Mar, 2017
本文介绍了一种新颖的多任务高斯 Cox 过程扩展，通过多输出高斯过程（MOGP）联合建模多个异构相关任务，例如分类和回归，MOGP 先验适用于用于分类、回归和点处理任务的专用似然函数的参数，可以促进异构任务之间的信息共享，同时允许非参数估计，为了克服 MOGP 调制的非共轭贝叶斯推断，我们采用数据增强技术，并推导出均场逼近以实现用于估计模型参数的闭式迭代更新，通过 1D 合成数据和温哥华的 2D 城市数据来展示性能和推断。
该研究提出了一种新的互域变分高斯过程模型，使用球谐表示法将数据映射到单位超球面上，并采用类似变分傅里叶特征的推理方案，这使得模型能够在保持最先进准确度的同时，比标准稀疏高斯过程模型快出两个数量级拟合具有 600 万个条目的回归模型，并在具有非共轭似然函数的分类问题上展现出有竞争力的性能。
Jun, 2020