通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。
Jun, 2013
该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。
Jun, 2014
本文介绍了一种新的变分推理方案，用于建模高斯过程的动态系统的转换函数。该方法可以消除潜在系统状态和转移函数之间的因式分解并更准确地预测转移函数。
Jun, 2019
提出了一种新颖的、基于高斯马尔可夫随机场并利用多层结构的深度高斯马尔可夫随机场模型，该模型在大规模图数据上具有良好的可扩展性和灵活性，并利用变分推断的方法进行高效训练和预测。在多个实验数据集上，该模型都表现出了比其他贝叶斯和深度学习方法更好的性能表现。
Jun, 2022
研究了图结构识别问题，通过观测到的时间序列，从线性随机网络动态系统的状态设置中获取组件，计算了特征向量，并使用这些特征来训练卷积神经网络进行因果推断，在各种网络上推广良好，可解决大规模系统中不能处理所有节点的问题。
Aug, 2022
本文提出了一种基于图神经网络的深度状态空间模型，用于建模交互式动态系统，且预测分布为多峰高斯混合模型，同时提出了结构化的协方差近似方法，可以适用于具有多个智能体的系统，并在自动驾驶数据集上进行了测试并与现有技术进行了比较。
May, 2023
本文提出了一种名为DYGR的动态图先验方法，通过高次非局部多项式滤波器中的误差放大来构造良好的图学习梯度，实现了关系推理，并在科学机器学习中表现出了异常的鲁棒性。
Jun, 2023
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
提出了一种基于神经网络的确定性推理算法，用于训练和测试具有未知参数形式的概率深度状态空间模型，实验结果表明该方法在预测性能和计算预算方面具有卓越的平衡性。
引入一种基于分级变分推断和结构化变分逼近的摊还推断算法，应用于受高斯噪声驱动的非线性动力学状态空间模型。通过利用蒙特卡洛逼近方法中的低秩结构来辅助隐变量的边际化计算、基于低秩精度矩阵更新的推断网络来近似更新步骤、并将当前和未来的观测数据转化为伪观测数据，从而将近似平滑问题转化为（更易解决的）近似过滤问题。整个计算过程的时间复杂度为$O(TL(Sr + S^2 + r^2))$，其中$T$为时间序列长度，$L$为状态空间维度，$S$为用于近似预测步骤的样本数，$r$为近似精度矩阵更新的秩（远远小于$L$维）。
Mar, 2024