多输出高斯过程是建模来自多个来源的数据的流行工具，本文提出了 LV-MOGP 的随机变分推断方法，使得计算复杂度与输出数量无关。

Jul, 2024

该研究论文提出了一个扩展多输出高斯过程（MOGPs）用于分层数据集的方法，通过定义适合层次结构的核函数来捕捉不同层次的相关性，并通过引入潜在变量表达输出之间的潜在依赖关系，以提高可扩展性。通过合成数据和基因组学以及动作捕捉的真实世界数据进行了广泛的实验研究，以支持该方法。

Aug, 2023

本文提出了一种解决多输出高斯过程模型主类型和相关环境现象多种共存的主动学习问题的方法，该问题涉及选择最具信息量的采样位置和每个位置的测量类型，以在预算范围内最小化目标感兴趣的预测不确定性（即后验联合熵），为了解决优化时的问题，我们利用了稀疏 MOGP 模型的常见结构，推导出一种新的主动学习准则，并利用新准则的放松形式子模性质，设计了一种多项式时间近似算法，实证评估表明我们的方法优于 MOGP 和单输出 GP 模型的现有算法。

Nov, 2015

本文介绍了一种高效、可扩展的高斯过程（MSGP）的框架及其初步结果，该框架采用了 Kronecker 乘积和 Toeplitz 矩阵的分解并采用循环矩阵的近似，将 GP 的时间复杂度降至 O (n)，测试点的预测时间复杂度降至 O (1)。

Nov, 2015

提出了基于复值交叉频谱密度的参数化多元协方差函数，实现对通道之间时间延迟和相位差异的建模，进而提高了模型的表达能力。该方法在合成数据和真实数据集上进行了验证和比较。

Sep, 2017

本文回顾和分析了当前流行的可扩展高斯过程回归模型的局部和全局逼近方法，主要包括稀疏逼近、混合专家模型和产品专家模型，并探讨了这些模型在数据规模大的情况下的应用前景。

Jul, 2018

本文针对加性 Matern 高斯过程，提出基于后向逼近算法的计算方法，计算后验均值、方差、似然函数和梯度的复杂性从 O (n^3) 降低到 O (nlogn)，并应用于贝叶斯优化中，提出了后验更新、超参数学习、习得函数和其梯度的有效算法。

Apr, 2023

该研究介绍了一种新型模型，称为潜在变量多输出高斯过程 (LVMOGP)，该模型可以捕捉多种条件的潜在信息，实现在测试时对新条件的有效推广，并提出了高效的变分推断方法，该方法的计算复杂度低于稀疏高斯过程。研究表明，在多个任务中，LVMOGP 在合成和真实数据上表现优异，并比相关的高斯过程方法优异。

May, 2017

该研究使用混合专家模型代替传统高斯模型，在降低计算成本的同时，提高了模型的弹性和可伸缩性。

Feb, 2017

本研究提出了一种基于最近邻预测的高斯过程回归算法，相比于现有算法，该算法具有更快的计算速度和更准确的预测结果，并且其对数据集大小和样本误差的鲁棒性更强。

Jun, 2023