Riemann 流形上的 Matérn 高斯过程
本研究论证了紧致黎曼流形上的内蕴 Matérn 高斯过程和外蕴过程在收敛速率上相符，通过在多个实例上的实证结果表明内蕴过程在实践中可以获得更好的性能，这加强了对几何高斯过程的数据效率水平进行细粒度分析的必要性。
Sep, 2023
高斯过程回归是一种用于提供准确的不确定性估计和处理小型或稀疏数据集的方法，然而在高维数据上存在困难，本文提出了一种能够在实际数据中直接推断隐含结构的高斯过程回归技术，并讨论了该模型收敛到假设流形上的 Matern 高斯过程的情况，该技术能够扩展到数十万个数据点，并提高高维情况下标准高斯过程回归的预测性能和校准性。
Oct, 2023
基于 Riemann 流形的扩散混合模型，通过以端点条件的扩散过程的混合来构建一种流形上的生成过程，取代以往扩散模型的去噪方法，更好地在高维度上表现，并在各种流形上优于现有的生成模型。
Oct, 2023
RVGP 是一种推广的高斯过程（GPs），用于学习潜在黎曼流形上的向量信号，通过与数据的常见基于图形的逼近相关的切空间束联结 Laplacian 的特征函数进行位置编码，具有全局规律性，可以在保留奇异点的同时对向量场进行超分辨率重建和内插，用于重构健康人和阿尔茨海默病患者低密度脑电图记录的高密度神经动力学，并且我们发现向量场的奇异点是重要的疾病标记，并且其重建方法在疾病状态的分类精度上与高密度记录相当，因此克服了实验和临床应用中的一个重要限制。
Sep, 2023
本文提出了适用于在流形上的矢量值信号的新型高斯过程模型，考虑了流形的几何特性，并展示了在二维球面和超平面上部署的 Hodge-Matérn 高斯矢量场以及离散二维网格和理想流形的推广方向。同时，证明了我们的高斯矢量场相较于之前提出的外部场具有更加精细的归纳偏差。
Oct, 2023
发展了利用核方法处理测地线非欧几里得空间数据的方法，具体地，提出了基于高斯径向基函数的正定核定义，用于将给定流形嵌入到高维再生核希尔伯特空间，同时该方法具有适用于计算机视觉的两种流形的正定核，并说明欧几里得空间中的支持向量机和主成分分析等算法可应用于测地线非欧几里得空间的数据中。
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
本研究提出了一种新的监督学习方法，Manifold Gaussian Processes，该方法通过联合学习将数据转换为特征空间，并从特征空间到观测空间建立了 GP 回归模型，实验结果表明该方法适用于包括非光滑函数和机器人任务等不规则函数。
Feb, 2014
本文引入了 Riemannian Gaussian 分布以捕捉实际应用中的对称正定矩阵空间的数据的统计特性，提出了该分布的概率密度函数的确切表达式，并据此推导和实现了用于估计该分布系列混合的期望最大化算法。” 该文还研究了统计推断以及将该算法应用于纹理分类问题，并表明该算法的性能优于现有方法。
Jul, 2015