本文提出了一种用于高斯过程建模的新方法，其中计算要求随着数据集的大小呈线性比例增长，与天文时间序列数据的应用作为例子，演示了此方法可用于概率推断星体旋转周期、星震振荡谱和凌星行星参数等问题，具有快速、可解释、可适用于天文数据分析和其他领域等优点。

Mar, 2017

本文利用行为学实验结果设计核学习框架，逆向工程人类学习者在许多函数外推问题中的归纳偏见，通过学习得到的内核在人类用户外推中展示出一定的心理学见解和效果，并探究了人类和高斯过程的函数学习过程中奥卡姆剃刀的应用。

Oct, 2015

简单的谱密度模型可以与高斯过程一起使用，以发现模式并支持外推。该方法支持各种站点协方差，但高斯过程推理仍然简单且解析，可以在多种合成和实际数据集中进行演示。

Feb, 2013

本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。

Jan, 1997

本文提出了一种高效的 Hawkes 过程核函数的非参数贝叶斯估计方法，通过两种算法实现了灵活的 Hawkes 触发核推断，并在 Twitter 扩散数据集上取得了理论和实证结果上的优越性。

Oct, 2018

研究高斯过程回归中的收敛性，着重于层次高斯过程回归，在其中先验未知的高斯过程仿真器的均值和协方差结构中出现的超参数会从数据中学习，并与后验均值和协方差一起计算。提供收敛性分析，并通过连续函数的任何情况下的收敛性说明从数据中学习超参数不会影响高斯过程回归的收敛性，并且在广泛的场景中都得到保证。主要目标是利用高斯过程回归近似贝叶斯反问题的数据似然性，提供了在此背景下引入的误差界限。

Aug, 2019

本文提出了一种基于伪边缘法的马尔可夫链蒙特卡罗通用策略，有效地解决了使用高斯过程先验的精确贝叶斯推理和模型参数不确定性导致的数据预测问题。此外，Monte Carlo 积分可用于预测中的所有模型参数，这在高斯过程的层次统计模型中具有重要意义，并与最先进的概率分类器进行了广泛的比较。

Oct, 2013

在随机环境下，通过使用高斯过程和未知核超参数的贝叶斯优化方法，我们得出了一个对于预期改善收集函数和亚高斯观察噪声的累积遗憾界限，为我们提供了关于如何设计超参数估计方法的指导，并通过简单模拟说明了遵循这些准则的重要性。

Jun, 2014

用机器学习建立的代理模型，能够生成类似于使用传统检索软件（如 TauRex）从行星凌星光谱中得出的行星大气参数的贝叶斯后验分布。该模型通过对七个参数（行星半径、大气温度以及五种常见吸收剂的混合比：$H_2O$、$CH_4$、$NH_3$、$CO$ 和 $CO_2$）的真实分布进行预训练，采用问题领域的启发式预处理和半监督学习方法提高模型性能，并在 2023 年 Ariel 机器学习数据挑战中获得优胜方案之一。

Oct, 2023

描述了一种贝叶斯方法来考虑天文数据中的测量误差，并将其应用于研究放射性星系的 X 射线谱斜率与 Eddington 比之间的关系，该方法基于导出测量数据的似然函数，并以高斯混合模型为基础进行泛化。

May, 2007