本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。

Apr, 2017

该研究探讨了一维高斯过程数据的均值变化检测问题，并提出了基于广义似然比检验的检测方法，该方法在固定域和增长域的两个设置中都几乎渐近地达到最优水平，主要特点是充分利用了高斯过程协方差结构所捕捉到的数据依赖性，即使协方差未知，我们也提出了插件 GLRT 方法，并推导出了该方法仍然渐近近似最优的条件。

Jun, 2015

训练可以改善人类决策能力，特定年龄组参与者在随机点动（RDM）任务的训练后，处理和决策速度提高，但准确性受到决策边界和阈值的影响。老年组在训练前后拥有更高的决策边界和较低的决策速率，训练后两组参数差异减小。

Nov, 2023

本研究提出了一种非参数化滞后反馈模型，用于预测展示广告中的转化率，可以反映各种时间延迟的分布形状，并在实验中证明其优于指数分布模型。

Feb, 2018

本文介绍了一种基于用户反馈的偏好学习方法，利用高斯过程 (GP) 对奖励函数进行建模，在不增加结构限制并避免数据不足和刚性的问题的情况下，仅通过比较轨迹即可有效学习机器人任务的表达性奖励函数。

May, 2020

该研究提出了一种基于速率失真理论的选择具有任务导向的多级分类数据样本的新方法，称为 RD-DPP，可用于评估数据样本的情境感知多样性。此外，该研究观察到了基于确定性点过程的数据选择在样本累积过程中存在相变现象，从而设计出一种双峰方法以获得更大的多样性收益。

Apr, 2023

本研究提出了一种非线性非参数回归模型 —— 联合高斯过程（JGP），它结合了统计回归与辐射传输模型，采用通过数据模拟的方式学习模型参数，以综合利用模拟与真实数据的优势，研究结果表明，该方法在 LAI 指数反演中表现优异。

Nov, 2017

通过理解个体的偏好和选择方式，构建能够与其预期十分匹配的产品，并将经济学、决策理论原则融入学习过程中，本文提出了一种以高斯过程为基础的偏好学习模型的完整框架，并介绍了一些用于填补现有文献中空白的新颖基于高斯过程的模型。

Mar, 2024

本研究使用量子决策理论首次对二元冒险选择数据集进行校准，发现存在选择反转的数量，并通过引入主流派和反对派将决策者异质性来优化选择反转的预测，结果比 logit-CPT 模型在各个级别上表现出更好的预测能力，表明存在内在可预测性的固有限制，并对人类决策者的选择预测以及人工智能的运营有应用前景。

Mar, 2023

研究了使用实时动态规划加速基于模型的学习算法，提高了在求解有限状态和动作空间的马尔可夫决策问题时的计算效率，并在 PAC 意义下证明了这两种算法的高效性。

Jun, 2012