本文通过对 4 个预测问题进行 4 种不同近似算法的实证研究，考察预测质量与计算时间之间的关系，并将实验代码共享，以鼓励未来的比较研究。

May, 2012

提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

Oct, 2019

通过交叉验证和最近邻截断，我们引入了一种简单可扩展的高斯过程模型训练方法，并采用泊松伽玛辅助变量和变分推断来适应二元和多元分类，通过与其他方法的比较，我们发现我们的方法提供了快速训练和出色的预测性能，这可以归因于预测分布的非参数性质和交叉验证损失对模型错误说明的鲁棒性。

May, 2021

本文回顾和分析了当前流行的可扩展高斯过程回归模型的局部和全局逼近方法，主要包括稀疏逼近、混合专家模型和产品专家模型，并探讨了这些模型在数据规模大的情况下的应用前景。

Jul, 2018

本文介绍了两种基于低秩协方差矩阵逼近的并行高斯过程回归方法，这两种方法可以将计算负载分布在并行机器之间以达到时间效率和可伸缩性，并经过理论分析证明了这些方法的预测性能等价于一些集中式的近似高斯过程回归方法，并且在两个真实数据集上的实证评估表明我们的并行高斯过程回归方法比其集中式对应物和全高斯过程方法具有更高的时间效率和可伸缩性，同时实现与全高斯过程方法相当的预测性能。

Aug, 2014

本文介绍了一种高效、可扩展的高斯过程（MSGP）的框架及其初步结果，该框架采用了 Kronecker 乘积和 Toeplitz 矩阵的分解并采用循环矩阵的近似，将 GP 的时间复杂度降至 O (n)，测试点的预测时间复杂度降至 O (1)。

Nov, 2015

本文提出一种基于 Lanczos 算法的方法 LOVE（LanczOs Variance Estimates）来解决高斯过程回归的计算瓶颈，大大提高了协方差的计算效率和采样速度。

Mar, 2018

本论文使用了基于随机推理网络的镜像梯度下降算法来实现高斯过程模型的推理，该算法针对大规模数据的情况具有可扩展性和易实现性，并且在实验中取得了与现有稀疏变分高斯过程方法相当甚至更好的表现。

May, 2019

该论文研究了高斯过程模型的能力和局限性，提出了一种具有可扩展性和统计效率的推理方法，探索了灵活的内核和用于学习超参数的客观函数。通过实验结果表明，这种方法在标准 MNIST 数据集上的性能优于所有之前报告的 GP 方法，并在 MNIST8M 数据集上突破了 1％的误差率，同时展示了它在分类问题中的可扩展性。总的来说，该方法在内核方法和 GP 模型方面取得了重大突破，缩小了深度学习方法和内核机器之间的差距。

Oct, 2016

本文提出了一种可扩展的方法，利用多 GPU 并行化和线性共轭梯度等方法，仅通过矩阵乘法就可以访问核矩阵，将核矩阵乘法进行分区和分配，演示了可以在不到 2 小时内对超过一百万个点进行精确的高斯过程训练，并在规模上进行了比较，表现出显著的性能提升。

Mar, 2019