本文提出了一种基于高斯过程状态空间模型的主动学习策略，旨在获取状态操作空间有界子集上的准确模型，并通过模型预测控制集成探索过程中收集的信息和自适应改进探索策略。

May, 2020

本文提出了利用高斯过程回归中自然产生的信息理论特性的主动学习策略，尊重系统动态 imposed 约束下的抽样过程，并在高不确定度区域选择抽样点，以实现探索性行为和数据高效训练。该方法在大量数值基准测试中得到验证。

Nov, 2019

本文介绍了 Gaussian 过程状态空间模型，并探讨最大的挑战 —— 系统识别，提出了基于双向循环神经网络的结构化高斯变分后验分布来处理推断问题，并使用重参数化技巧有效计算边缘似然的下界，可以在观察到真实系统的少量数据后生成可信赖的未来轨迹。

May, 2017

提出一种主动学习方法，用于发现高维高斯过程任务中的低维结构，同时引入一种新技术，用于近似边缘化高斯过程超参数，从而提供在高维空间中执行高效的高斯过程回归、积分或贝叶斯优化的方法。

Oct, 2013

本文提出了一种解决多输出高斯过程模型主类型和相关环境现象多种共存的主动学习问题的方法，该问题涉及选择最具信息量的采样位置和每个位置的测量类型，以在预算范围内最小化目标感兴趣的预测不确定性（即后验联合熵），为了解决优化时的问题，我们利用了稀疏 MOGP 模型的常见结构，推导出一种新的主动学习准则，并利用新准则的放松形式子模性质，设计了一种多项式时间近似算法，实证评估表明我们的方法优于 MOGP 和单输出 GP 模型的现有算法。

Nov, 2015

高斯过程状态空间模型（GPSSM）中引入了高效变换的高斯过程（ETGP）以及归一化流来有效地建模高维潜在状态空间中的转换函数，从而提高了模型的计算效率。此外，我们还开发了相应的变分推断算法，通过数量和计算复杂性的比较，优于现有方法。实验结果验证了该方法的效率，并证明其与现有方法相比具有相似的推断性能。

Sep, 2023

本文介绍了一种用高斯过程状态空间模型进行高效贝叶斯学习的方法，其中高斯过程投影到利用先验协方差结构导出的一组近似特征函数集合上。通过谨慎设计的粒子 MCMC 算法，可以在这种模型家族下进行学习。相比传统的系统识别工具或现有的学习方法，我们在模型不确定性的可靠量化方面表现更具竞争力。

Jun, 2015

提出使用互信息测量方法的主动学习模型，使用 Bayesian linear basis functions 模型，在训练聚合数据的回归模型时减少标注集的成本，并实现更好的预测性能。

Oct, 2022

本论文提出了一种可以学习非线性数据特性的内核函数家族，该家族通过一种可学习的输入分区来改进先前的方法，并在各种主动学习任务中表现出出色的性能。

Mar, 2023

通过使用高斯过程和非线性外部输入结构在考虑给定安全约束条件的情况下，活跃地学习时间序列模型，使用动态探索输入空间生成适用于时间序列模型学习的数据，然后通过逐步确定安全要求和过去观察结果来对输入轨迹进行参数化分析，并在技术应用中进行实证评估，结果显示我们的方法在现实技术用例中的有效性。

Feb, 2024