引入了一种半参数贝叶斯模型用于生存分析，并使用高斯过程来从参数基线风险中非参数地模拟差异，同时考虑协变量的依赖性与左侧，右侧和间隔中断机制，通过 MCMC 算法进行推断并基于随机傅立叶特征的近似方案使计算更快，真实数据实验结果证明我们的模型优于 Cox 比例危险，ANOVA-DDP 和随机生存森林等竞争模型。

Nov, 2016

应用半参数核 Cox 比例风险模型和带有 LASSO 惩罚项的正则化 garrotized 核机器方法，通过基因表达来预测癌症患者的生存率，以帮助分类患者并提供更好的临床治疗方案。

Oct, 2023

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

提出一种可扩展的高斯过程模型，用于确定和表征平滑多维变化点，并自动学习表达协方差结构中的变化。通过 Random Kitchen Sink 特征来灵活地定义变化表面，结合表现力强的谱混合核来捕获复杂的统计结构，最后通过新颖的加性非可分离核方法，可以将模型扩展到大型数据集。我们在数值和实际数据上演示了该模型，包括一个大型时空疾病数据集，在其中确定了先前未知的空间和时间异质性变化。

Nov, 2015

本文旨在探讨适用于构建加法 Kriging 模型的协方差核，并描述所得模型的一些特性。

Nov, 2011

简单的谱密度模型可以与高斯过程一起使用，以发现模式并支持外推。该方法支持各种站点协方差，但高斯过程推理仍然简单且解析，可以在多种合成和实际数据集中进行演示。

Feb, 2013

本文介绍了一种将加性模型与高斯过程相结合的方法，并提出了一种用于数据驱动参数估计的简明数值方法。通过休息技术，本方法在 Sobol's g-function 中的表现效果优于其他方法。

Mar, 2011

通过将函数模型为非平稳高斯过程的样本函数，学习一对变量之间的功能关系，解决可用数据的相关结构的不均匀性问题，并在其中嵌套多个高斯过程，从而建立了两个高斯过程层的充分性。

Apr, 2024

本文介绍了一种高斯过程模型，其中的函数是可加的，这种函数可分解为低维函数的总和，每个低维函数只依赖于输入变量的一个子集。该模型引入了核函数的一种表达形式，通过它可以高效地评估所有输入交互项，在回归任务中表现出具有先进性的预测能力。

Dec, 2011

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