L-DKGPR 是一种从纵向数据中自动发现复杂的多层关联结构的方法，使用新颖的深度核学习技术，结合了深度神经网络的表达能力和非参数核方法的灵活性，通过引入变分推断的方式从潜变量先验中推理出后验。实验表明该方法较之前的 LDA 方法有明显的提高。

May, 2020

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

该研究提出了 Lomax 代表竞争竞赛（LDR）模型，可通过竞赛一定数量的子风险来解释非单调协变效应，并放宽常见的比例危险函数假设。研究人员通过数据扩充开发了一个 Gibbs 采样器进行推断，并提出了一种随机梯度下降最大后验推断算法。在合成和真实数据集上进行了实验，并与竞争风险生存分析的各种基准算法进行了比较，证明了 LDR 的出色性能。

Oct, 2018

本文介绍了如何半参数地建模具有结构化潜在混淆因素以提高因果效应估计并给出一个基于椭圆切片取样的贝叶斯推理算法；最后展示了基于这个模型的 GP-SLC 在包括婴儿健康与发展项目和新英格兰州全州能耗变化数据集等三个基准数据集上与广泛使用的因果推断技术相比具有竞争力或更高的准确性。

Jul, 2020

本研究提出了一种基于多元高斯过程的模型，该模型将包含因特定治疗措施而产生的生理变化的隐式力模型与反映病人生理特征的高斯过程卷积起来，从而能够较准确地预测病人对治疗措施的生理响应。

Jun, 2019

本文介绍一种可以应用于非高斯离散数据的完全纵向数据分析方法 —— 广义线性混合效应模型，详细讨论了该方法在最大似然法下缺失数据假设机制的可行性，以及如何进行敏感性分析，并结合两个病例进行实证分析。

Jun, 2006

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

LR-GLM method based on low-rank approximation with Bayesian inference is proposed to improve efficiency of generalized linear models with large number of covariates, and the experiment results validate the effectiveness of LR-GLM on large-scale datasets.

May, 2019

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

Longitudinal Predictive Conformal Inference (LPCI) 是一种新颖的无分布预测算法，通过建立训练好的分位数回归器模型来构建预测区间，从而保证了纵向和横向覆盖率，适用于医学、金融和供应链管理等广泛应用。

Oct, 2023