我们比较了学生 T 过程与高斯过程作为非参函数先验的可行性，证明了学生 T 过程可以保留高斯过程的非参数表示法和解析边缘分布以及预测分布，同时具有增强的灵活性和预测协方差，特别适用于协方差结构发生变化或需要精确预测的情况。

Feb, 2014

利用稀疏表示和变分推断的学生 - t 进程来建模含有离群值或具有重尾行为的数据，提供了一种比高斯过程更灵活的选择，减少了计算复杂性，并在多个合成和真实数据集上展示了其有效性。

Dec, 2023

本文介绍了基于 Student's-T 过程的高斯过程贝叶斯优化方法，并探讨了其在航空航天优化中的优势。文章比较了高斯过程和 Student's-T 过程在贝叶斯优化的经典测试问题上的表现，同时将 Student's-T 过程应用于机身结构设计问题。

Jan, 2018

该论文介绍了一种自动发现复杂时间序列数据准确模型的新方法，该方法通过贝叶斯非参数先验和符号空间上的高斯过程时间序列模型，以及蒙特卡洛方法和马尔可夫链蒙特卡洛方法的结合进行有效的后验推断。实证测量表明，相比以往的马尔可夫链蒙特卡洛方法和贪心搜索结构学习算法，我们的方法在相同模型族上可以提供 10 倍至 100 倍的运行时间加速。我们将该方法应用于 1,428 个计量经济学数据集的重要基准的首次大规模评估，结果显示我们的方法能够发现合理的模型，在挑战性数据上相比于常用的统计和神经网络模型，可以提供更准确的点预测和区间预测。

Jul, 2023

本文考虑了具有学生 - t 观测模型的高斯过程回归的鲁棒且高效的实现。我们还演示了标准 EP 无法收敛的情况，并提出了用于改善收敛的不同修改和替代算法。我们提出了一种健壮的实现，主要依赖于并行 EP 更新，并利用一种基于匹配矩的双环算法，在困难情况下自适应地选择步长，对算法进行改进，并通过与其他估计方法的比较来展示预测性能。

Jun, 2011

使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据，使得在多个潜在随机过程上学习多个动力模型成为可能。

Feb, 2024

通过将训练数据从一个混合过程进行采样，我们研究了统计学习算法在非独立同分布的环境中的泛化误差，并基于延迟反馈的在线学习提出了一个分析框架。特别地，我们展示了即使数据序列是从混合时间序列采样得到的情况下，通过存在一个具有有界遗憾的在线学习算法（针对一个固定的统计学习算法，在一个特殊构建的延迟反馈的在线学习博弈中），所述统计学习方法的泛化误差较低。这些速率展示了在线学习博弈中的延迟量和连续数据点之间的依赖程度之间的权衡，当延迟适当地调整为过程的混合时间的函数时，可以在许多研究良好的情形下恢复近乎最优的速率。

Jun, 2024

通过时间可变滤波器和稳态噪声，利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型，使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。

May, 2024

该研究提出了使用贝叶斯非参数方法在多个相关时间序列的联合建模问题上的解决方案，其中使用了潜在的共享动态行为发现方法，提出了一种基于 Beta 过程先验的高效 Markov chain Monte Carlo 方法，并利用 birth 和 death proposals 方法探究新的动态行为，最终实现了对于视频运动捕捉数据的无监督分割，并在一些合成数据集中获得了良好的结果。

Nov, 2011

该研究提出了一种使用贝叶斯方法的动态模型来准确预测多元金融数据中的时间变化协方差，通过假设参数值的扩散过程来捕捉市场条件的变化，使用粒子滤波器进行计算，解决了超拟合、局部最优和大量计算成本等问题。实验结果表明该算法在金融数据分析中表现出色。

May, 2013