本文提出了广义专家乘积 (gPoE) 框架，用于结合多个概率模型的预测，通过分析和实验证明，Gaussian processes 一般的 gPoE 具有可伸缩性、表达力和鲁棒性，同时是现有的组合方案无法同时满足的。

Oct, 2014

本文提出了一种称为深层结构高斯过程混合专家的随机过程模型，该模型不仅可以进行确切的后验推断，而且具有吸引人的计算和内存成本，并且在作为高斯过程近似时可以比以前的近似方法更一致地捕捉预测不确定性。在各种实验中，我们展示了这种方法的低近似误差和竞争优势。

Oct, 2019

本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。

Jan, 1997

本文介绍用高斯过程进行非线性估计问题的解决，讨论了其中的一些重要方面和扩展，包括递归和自适应算法处理非平稳、低复杂度解决方案、非高斯噪声模型和分类场景，最后提供了几个无线数字通信的应用实例。

Mar, 2013

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

我们提出了一个实用且可扩展的高斯过程模型，用于大规模非线性概率回归。我们的专家混合模型在概念上简单，并以分层方式重新组合计算，以对整个高斯过程进行近似。通过封闭形式和分布式计算，可以实现高效的大规模并行化，同时保持内存消耗较小。因此，我们的模型具有处理任意大小数据集的潜力，而无需明确的稀疏逼近。我们提供了强有力的实验证据，表明我们的模型可以应用于超过数百万个数据的大数据集。因此，我们的模型有可能为一般的大规模高斯过程研究打下基础。

Dec, 2014

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

本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。

Dec, 2020

提出一个分析高斯过程专家群的归纳组合的框架，在测试点位置依赖的方式下，独立训练的高斯过程专家被组合起来，以便将高斯过程扩展到大数据规模。该框架为先前已被证明在实践中有效但缺乏理论基础的广义产品高斯过程专家（gPoE-GP）提供了一些理论上的支持。基于所提出的框架，引入了一种改进的 gPoE-GP 并进行了经验证实。

Nov, 2015

提出了正交加性核（OAK）来代替传统高维交互项的加性高斯过程（GP）模型，能够实现可识别、低维度表示的功能关系，并展示了其在稀疏计算方法中的改进收敛速度和优越的预测性能。

Jun, 2022