提出一种基于稀疏高斯过程的框架，使用期望传播直接逼近一般高斯过程的似然函数，既包括了 SPGP 和 VSGP 用于回归的特殊情况，又兼顾了在线处理数据的能力，可用于解决分类问题。在基准数据集上的实验表明，该框架在小样本规模下，不仅能够最大程度地逼近非稀疏 GP 解，而且可降低分类错误率。

Mar, 2012

使用贝叶斯方法和高斯过程，结合符号核、稀疏变分方法等技术对序列数据进行学习，可以使得不同长度的序列可比较且利用奇异分析的强大理论结果；我们还介绍了一种使用引导张量处理未能有利的序列结构方法，将该方法和 LSTMs、GRUs 等结合起来，以建立利用优势的大型模型，并在多元时间序列分类数据集上进行基准测试。

Jun, 2019

通过不确定性量化的角度，本文提出了两种新的方法来解决稀疏辨识微分方程的两个主要挑战：噪声对观测数据的影响以及关于计算成本的单一可靠性数据的限制。通过构建高斯过程回归模型来缓解观测数据中噪声的影响，量化不确定性并最终准确地恢复方程；然后，利用多可靠性高斯过程来处理涉及多可靠性、稀疏和噪声观测数据的情况。通过多个数值实验展示了我们方法的稳健性和有效性。

Jan, 2024

本论文介绍了一种基于稀疏高斯过程回归和潜变量模型的重新参数化变分推断方法，可以有效解决大规模数据集下高斯过程模型的可扩展性问题，并在飞行数据和 MNIST 数据集上证明了其优越性。

Feb, 2014

本文介绍了一种新的稀疏变分逼近高斯过程的解释，使用感应点可以比以前的方法更具有可扩展性。它基于将高斯过程分解为两个独立过程的和： 一个由有限势基感应点并跨越另一个捕获其余变化。我们表示，这种表达重新获得了现有的逼近值，并且同时允许获得较紧的较低边界和新的随机变分推理算法。我们展示了这些算法的效率，从标准回归到使用（深入）卷积高斯过程的多类分类，并在 CIFAR-10 中报告了完全基于 GP 的模型的最新结果。

Oct, 2019

本文提出了一种将高斯过程映射到基于 B 样条基函数的一组函数上的新的跨域变分高斯过程。该方法的关键优势在于 B 样条基函数具有紧凑支持，可以采用稀疏线性代数来加速矩阵运算并显着减少内存占用，从而实现高效地对快速变化的空间现象进行建模，涉及数万个感应变量。

Apr, 2023

本文针对大数据的稀疏高斯过程模型的一类不同于现有方法的低秩 GP 逼近模型展开研究，提出了基于稀疏频谱 GP 模型的随机变分贝叶斯框架，该框架结合贝叶斯方法处理频率谱避免过拟合，利用本地数据提高预测性能，并利用参数化技巧使得所得到的随机梯度具有线性结构，从而提高了稀疏 GP 模型的性能。实验结果表明，我们的模型优于现有的 SGP 模型的实现方法。

Nov, 2016

本研究提出了一种利用双重稀疏变分高斯过程方法，在连续和主动学习等数据有限的情况下，减少使用后续数据产生的误差，从而提高学习的准确性，并在涉及贝叶斯优化，主动学习和连续学习的几个应用程序中证明了其有效性。

Jun, 2023

本文介绍了一种基于双随机变分推断的方法，用于深度高斯过程模型（Deep Gaussian processes）的推断。该方法能够有效地处理数百个到十亿个数据点的分类和回归任务，验证了其推断模型的实用性。

May, 2017

本文提出一种新的变分高斯过程模型，将均值函数和协方差函数在再生核希尔伯特空间中表示，可通过随机梯度上升来求解，时间和空间复杂度仅与均值函数参数数量成线性关系，适用于大规模高斯过程模型和回归任务的求解。

Nov, 2017