本文提出了一种新的多输出高斯过程扩展方法，用于处理异构输出，此方法使用向量值高斯过程先验来联合建模所有似然函数中的参数作为潜在函数，并以线性模型为核心的协同关系形式使用协方差函数；在假设潜在函数之间存在条件独立性并利用引导变量框架的前提下，我们能够获得易于处理的变分下界，适用于随机变分推理。最后我们在合成数据以及两个真实数据集上：人类行为研究数据集以及人口统计高维数据集中展示了该模型的性能。

May, 2018

该研究论文提出了一个扩展多输出高斯过程（MOGPs）用于分层数据集的方法，通过定义适合层次结构的核函数来捕捉不同层次的相关性，并通过引入潜在变量表达输出之间的潜在依赖关系，以提高可扩展性。通过合成数据和基因组学以及动作捕捉的真实世界数据进行了广泛的实验研究，以支持该方法。

Aug, 2023

多输出高斯过程是建模来自多个来源的数据的流行工具，本文提出了 LV-MOGP 的随机变分推断方法，使得计算复杂度与输出数量无关。

Jul, 2024

本文提出了一种解决多输出高斯过程模型主类型和相关环境现象多种共存的主动学习问题的方法，该问题涉及选择最具信息量的采样位置和每个位置的测量类型，以在预算范围内最小化目标感兴趣的预测不确定性（即后验联合熵），为了解决优化时的问题，我们利用了稀疏 MOGP 模型的常见结构，推导出一种新的主动学习准则，并利用新准则的放松形式子模性质，设计了一种多项式时间近似算法，实证评估表明我们的方法优于 MOGP 和单输出 GP 模型的现有算法。

Nov, 2015

本文提出了一种基于高斯混合回归的新型多输出高斯过程（MOGP）方法，利用 MOGP 的协方差将从演示中检索的变异性捕获起来，使机器人能够精确跟踪经过点，同时在高变异地区保持的柔顺性。

Oct, 2019

本文提出了一种新颖的基于高斯 Cox 过程的最大后验推断方法，通过引入 Laplace 近似和核函数转换技术，使得推断问题在新的再生核希尔伯特空间中更易于计算，从而在功能后验和后验的协方差方面得到了扩展。在此基础上，我们提出了一个基于高斯 Cox 过程模型的贝叶斯优化框架，并进一步开发了一种 Nyström 近似方法以进行高效计算。在各种合成和实际数据集上的广泛评估表明，与现有的高斯 Cox 过程推断解决方案相比，本方法取得了显著的改进，同时还能有效地进行基于高斯 Cox 过程模型设计的各种收集函数的贝叶斯优化。

Jan, 2024

通过引入异方差高斯过程（Heteroscedastic Gaussian process regression），并结合协变量引导的精度矩阵过程的混合公式，我们提出了一个新的框架，扩展了异方差高斯过程（HeGP）的概念，从回归任务扩展到分类和状态空间模型。通过仿真和气候学的实际应用，我们展示了该模型的优越性和优势。

Aug, 2023

该论文提出了一种基于傅立叶特征的 Cox 过程推断方法，用于在三维空间中模拟具有复杂时空模式的超过 100,000 个事件，其具有比先前方法更一致的优化行为，并能近似贝叶斯估计非高斯后验概率。

Apr, 2018

提出了基于复值交叉频谱密度的参数化多元协方差函数，实现对通道之间时间延迟和相位差异的建模，进而提高了模型的表达能力。该方法在合成数据和真实数据集上进行了验证和比较。

Sep, 2017

介绍了基于日志高斯卡克斯过程模型的空间和时空点过程数据，并探讨了推断的方法。同时，通过四个应用程序演示了该模型的实用性。论文认为这类问题自然适用于空间统计学领域，且该领域更适用于科学问题的研究，而非特定的模型或数据格式。

Dec, 2013