针对环境监测中的时空变异性，我们提出了一种规划与学习方法，通过学习和完善环境模型，实现自主海洋监测任务；该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件，提高了计算效率，仿真结果表明该方法准确性和效率兼备。

Sep, 2016

该论文提出了一种空间模型，可以允许空间依赖结构随着位置的变化而变化，并开发了一种分层模型，可以将这种不确定性纳入结果推理中，该方法已应用于有毒废物处理领域。

Dec, 2022

本研究针对非平稳时间序列的因果关系发现和预测问题，提出了一种基于状态空间模型的方法，利用非平稳的性质来确定因果结构，将预测问题视为因果模型的贝叶斯推断问题，并在合成数据和真实数据集上进行了实验验证。

May, 2019

该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。

Jun, 2014

我们开发了一种新的时空方法，通过集成从摊销变分推断、神经微分方程、神经点过程和隐式神经表示等技术，有效处理随机采样的数据，并对未来观测的概率位置和时间进行预测，从而在预测准确性和计算效率上显著超越现有方法，成为研究和理解在真实无约束条件下观察到的复杂动力系统的有用工具。

Jun, 2024

本文提供 GP 建模的全面概述和工具，并使用状态空间方法处理非高斯似然。该方法使得在 o（n）时间和内存复杂度下解决一维 GP 模型成为可能。我们提出将高效的状态空间方法与现有 infernece 方法相结合的手段，包括拉普拉斯近似，变分贝叶斯和 assumed density filtering 等方法。

Feb, 2018

本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题，同时在潜空间中学习动态先验，并允许自动确定潜在空间的维数，该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。

Jul, 2011

提出了神经连续 - 离散状态空间模型 (NCDSSM)，用于对时间序列进行连续时间建模。该模型使用辅助变量进行识别和动态分离，从而仅需要为辅助变量进行摊销推理。通过连续离散滤波理论，提出了三种灵活的潜在动态参数化方法和一种能够较快地进行后验推理的训练目标函数。实验结果表明，NCDSSM 在多个基准数据集上都比现有模型具有更好的插补和预测性能。

Jan, 2023

该文介绍了一种针对时间序列数据的非参数预测与降噪方法，使用高斯过程和卡尔曼滤波实现。此外还讲到了基于单次环境传输因子的推断方法，在算法复杂度方面有较好的优化表现，并且可以用于在线学习。

Nov, 2018

使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据，使得在多个潜在随机过程上学习多个动力模型成为可能。

Feb, 2024