提出一种新的自适应核回归方法，通过自调节核函数来缓解数据不平衡，从而更准确地估计基于大规模互联网质量开放数据集的移动互联网质量，可应用于其他应用。

Nov, 2023

本文提出了一种通过定义与内核关联的统计假设的符号表示来定义内核 - 内核的方法，并在离散内核空间中搜索的新颖且高效的搜索方法。

Oct, 2022

该论文研究了高斯过程模型的能力和局限性，提出了一种具有可扩展性和统计效率的推理方法，探索了灵活的内核和用于学习超参数的客观函数。通过实验结果表明，这种方法在标准 MNIST 数据集上的性能优于所有之前报告的 GP 方法，并在 MNIST8M 数据集上突破了 1％的误差率，同时展示了它在分类问题中的可扩展性。总的来说，该方法在内核方法和 GP 模型方面取得了重大突破，缩小了深度学习方法和内核机器之间的差距。

Oct, 2016

本文提出了一种学习方案，通过可扩展地结合多个基于单核的在线方法来减少内核选择偏差，从而扩展了单核解空间，增加了找到高性能解的可能性，并在累积正则化最小二乘成本指标方面实验证明所提出的学习方案优于单独使用的组合单核在线方法。

Aug, 2023

本研究使用高斯过程回归 (Gaussian Process Regression, GPR) 结合独立核函数 (ensemble kernel) 对药物销售数据进行分析。贝叶斯优化方法用于确定最佳核函数权重，结果显示集成核函数在预测准确度上表现优越，达到接近 1.0 的 R^2 值，并显著降低均方差 (MSE)、平均绝对误差 (MAE) 和均方根误差 (RMSE)。这些发现突显集成核函数在复杂药物销售数据集的预测分析中的功效。

Apr, 2024

本文介绍使用高斯过程在结构核中进行模型选择的方法，并给出在树核上的实验结果，证明其比使用网格搜索的超参数优化方法具有更好的预测性能。

Aug, 2015

我们提出了一个针对医疗保健的个性化和可靠的预测模型，可以提供个性化的诊断、治疗和预防等医疗服务。该模型利用深度神经网络学习众多病人的复杂全局趋势，并利用高斯过程对每个病人的个性化时间序列进行概率建模，从而比标准时间序列深度模型如纯循环神经网络（RNN）具有更实用的优势。

Jun, 2018

该论文提出了一种数据驱动的核选择方法，利用相似性构建和优化图，辅助选择核子集，以提高函数近似的准确性和降低计算复杂度，并且采用随机特征逼近来实现在线学习，并通过实验证明了新方法的优势。

Feb, 2021

本文提出了一种基于泊松过程的贝叶斯非参数模型（MedGP），将临床协变量和实验室协变量与病人之间的关联进行了推断和利用，实现对病人状态的高质量推断并实时预测，与现有方法相比，该方法不需要时间序列数据的对齐，具有更好的结果，该方法应用于不同疾病亚组和研究中，为近一半的协变量实现了精确预测。

Mar, 2017

该论文提出了一种基于核的随机梯度下降算法，在训练过程中进行模型选择，不需任何形式的交叉验证或参数调整，并利用在线学习理论在数据相关性方面进行正则化的估计，证明了标准光滑性假设下的最优收敛速度。

Jun, 2014