高斯过程去卷积
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
扩展高斯混合模型及 EM 技术，推广至带有不确定性协方差及缺失数据属性的数据点集，使用共轭先验和分离合并算法避免局部最优解，应用于 Hipparcos 卫星测量的二维星速数据，推断星体三维速度分布的算法。
May, 2009
本研究提出了一种翻译不敏感的卷积核，并将高斯过程重新制定为多输出高斯过程，以实现深度卷积高斯过程。实验证明，与使用 dropout 的贝叶斯深度学习方法相比，我们的全贝叶斯方法在不确定性和边际似然估计方面的性能有所提高。
Feb, 2019
提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法，用于非线性随机动态系统的系统识别和控制。在机器学习，机器人和控制领域，这种现代的 “系统识别” 方法比参数化函数表示更具鲁棒性。数值评估表明，所提出的方法在其他最先进的高斯滤波器和平滑器无法处理的情况下表现出鲁棒性。
Mar, 2012
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
研究高斯过程回归中的收敛性，着重于层次高斯过程回归，在其中先验未知的高斯过程仿真器的均值和协方差结构中出现的超参数会从数据中学习，并与后验均值和协方差一起计算。提供收敛性分析，并通过连续函数的任何情况下的收敛性说明从数据中学习超参数不会影响高斯过程回归的收敛性，并且在广泛的场景中都得到保证。主要目标是利用高斯过程回归近似贝叶斯反问题的数据似然性，提供了在此背景下引入的误差界限。
Aug, 2019
介绍了数值高斯过程的概念，它是通过对时间依赖偏微分方程进行时间离散化来定义的高斯过程。当前的方法可以处理的情况包括只能观测到初始条件的噪声数据和我们感兴趣的是在解决时间依赖偏微分方程时与这些噪声数据相关的不确定性的量化。这种方法通过适当放置高斯过程先验来避免空间离散化差分算子的需要。经过多个基准测试问题的验证，该方法的有效性得到了证明，包括涉及线性和非线性时间依赖算子的情况，即使在长时间积分的情况下我们也能恰当地求解潜在解，并保持不确定性传播的一致性。
Mar, 2017
基于机器学习的求解器在物理模拟和科学计算中引起了广泛关注，本文介绍了一种基于高斯过程的方法来解决高频和多尺度的偏微分方程，利用混合核函数来灵活地捕捉主频，并通过在网格上放置采样点来加速计算，最终建立了一个 Kronecker 乘积结构的协方差矩阵。
Nov, 2023
本研究关注使用高斯代理模型处理与线性偏微分方程相关的贝叶斯反问题，重点关注只有少量训练数据可用的情况下使用的高斯先验类型对于近似后验的性能影响的扩展研究。实验表明 PDE - 信息高斯先验优于传统先验。
Jul, 2023