本文介绍了深度高斯过程模型，该模型可用于稀少数据的拟合，以及通过贝叶斯方法进行模型选择。

Nov, 2012

本文研发了一种新的近似贝叶斯学习方案，使深高斯过程能够应用于中大规模回归问题，该方法通过近似期望传播程序和概率反向传播算法实现，对于11个现实世界数据集的非线性回归评估表明，它始终优于GP回归，几乎总是优于Bayesian神经网络的基于状态和采样的近似推理方法。

Feb, 2016

本文介绍通过将高斯过程嵌入可计算的和积网络中，实现灵活的先验函数分布，从而实现计算和内存高效、容易实施后验推理的概率回归模型。

Sep, 2018

本文提出了一种基于Deep Gaussian processes（DGPs）的新型重要性加权目标函数，通过引入含噪变量作为潜在协变量，相比于经典的变分推断，可以在提高准确性的同时节省计算量，并且在更深层次的模型中表现良好。

May, 2019

本文研究神经网络和高斯过程之间的关系，证明了贝叶斯神经网络的高斯后验近似等同于高斯过程的后验。在训练神经网络时，利用高斯过程的边缘似然函数来调整神经网络的超参数，得到的核函数是神经切向核。我们的工作旨在促进进一步将神经网络和高斯过程在实际应用中相结合的研究。

Jun, 2019

该论文提出了一个适用于大规模问题的高斯过程的数学和软件框架，该框架结合了跨域近似和多输出，能够简化使用GPs创建深层模型的过程。

Mar, 2020

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

提出了Deep Variational Implicit process(DVIP)作为Implicit processes(IPs)的一种多层泛化方法，并通过大规模数据集上的回归和分类实验展示其可扩展性及性能优越于之前的IP-based方法和深层高斯过程。

Jun, 2022

本篇论文着重于解决高斯过程(GPs)对于深度神经网络(NNs)所缺乏的问题，通过介绍球形跨域特征，将处于NNs隐藏单元中的感应变量作为新型跨域变分GPs的载体，从而提高GP拟合的灵活性、数据适应性以及可伸缩性。实验结果表明，该方法的有效性得到了多个基准数据集的验证。

Apr, 2023

通过变换样本中的联合分布，Deep Transformed Gaussian Processes（DTGPs）构建了多层模型，每一层都是转换高斯过程，增加了模型的灵活性和可扩展性。通过使用变分推断来近似计算，该方法扩展了DSVI推断算法，实验证明在多个回归数据集上取得了良好的性能。

Oct, 2023