通过将非一致性得分与高斯过程的后验标准差加权，提出了构建自适应交叉一致性预测区间的方法，这些预测区间具有类似于贝叶斯可信区间的适应性水平，并且在没有基础模型假设的情况下具有频率覆盖保证，可以用于评估高斯过程代理模型的质量，并帮助决策者选择最适合特定应用的最佳先验。
Jan, 2024
本教程旨在提供对高斯过程回归的直观理解。首先解释了构建高斯过程的基本概念，包括多元正态分布，核函数，非参数模型以及联合和条件概率。然后简要描述了高斯过程回归以及标准高斯过程回归算法的实现。除标准高斯过程回归外，还介绍了实现最先进的高斯过程算法的软件包。本教程以易懂的方式编写，可确保没有机器学习背景的读者能够充分理解高斯过程回归的基础知识。
Sep, 2020
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
本文提出了一种通用框架来理解高斯过程回归中点估计和同时贝叶斯可信区间的频率覆盖率，并通过最优化的变量证明了高斯过程回归具有最小化相对于最高模数的后收缩率。
Aug, 2017
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
本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，它结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性，可以适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点，并且提出了该模型的有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程。本文应用 GPRN 提出了多输出回归和多元波动性模型，展示了其在基准数据集上明显优于八个流行的多任务高斯过程模型和三种多元波动性模型的性能，其中包括一个 1000 维基因表达数据集。
Oct, 2011
通过引入灵活的两阶段高斯过程回归框架、自动核搜索算法、子采样启动策略和精确与可伸缩两种方法，本研究提出了一种泛用框架来解决 GPR 中的表示偏差、核函数错误和超参数错误问题，并在真实世界数据集上进行了广泛评估，验证了方法的鲁棒性和精确性。
May, 2024
本研究提出了一种基于替代高斯过程模型的新的不确定性估计方法，能够为任何基础模型提供准确的不确定性估计，并证明该方法在时序预测数据方面比基于引导的方法在中小型数据区域和不同系列的基础模型，包括线性回归，ARIMA 和梯度提升中提供更准确的置信区间。
Feb, 2023
我们开发了一种新方法来创建预测集，它结合了符合性方法的灵活性和条件分布 P（Y | X）的估计。我们的方法扩展了现有方法，实现了条件覆盖，这对许多实际应用至关重要。我们提供了非渐近界限，明确依赖于对条件分布的可用估计的质量，使得我们的置信集在数据的局部结构上高度自适应，特别适用于高异方差情况。通过广泛的模拟，我们证明了我们的方法的有效性，显示其在条件覆盖和统计推断的可靠性方面优于现有方法，在各种应用中提高了统计推断的可靠性。
Jul, 2024
本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。
May, 2017