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

基于混合连续、离散和类别贝叶斯优化策略，提出了一种新的质量多样性方法论，用于处理复杂工程设计问题，并减少计算成本。

Sep, 2023

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

我们提出了一个实用且可扩展的高斯过程模型，用于大规模非线性概率回归。我们的专家混合模型在概念上简单，并以分层方式重新组合计算，以对整个高斯过程进行近似。通过封闭形式和分布式计算，可以实现高效的大规模并行化，同时保持内存消耗较小。因此，我们的模型具有处理任意大小数据集的潜力，而无需明确的稀疏逼近。我们提供了强有力的实验证据，表明我们的模型可以应用于超过数百万个数据的大数据集。因此，我们的模型有可能为一般的大规模高斯过程研究打下基础。

Dec, 2014

该研究论文提出了一种新颖的基于网格谱混合核的高斯过程模型，该模型在多维数据中减少了超参数数量并保持了优化结构和逼近能力，以及基于交替方向乘子法框架的分布式算法，可以在大数据环境下协同学习，同时保护数据隐私，并通过量化超参数来解决分布式框架中的通信带宽限制问题，实验证明了该方法在不同数据集上具有优秀的预测性能和效率。

Sep, 2023

提出了一个基于核棍强过程的高斯过程专家混合模型，具有直观吸引力和改进的预测性能，可通过基于切片采样的后验计算器进行实际操作。

Apr, 2023

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

本文提出了一种适用于混合数据的图模型，该模型对高维数据来说简单而灵活，采用回归算法和群体套索惩罚法来拟合模型，并将其应用于 CAL500 音乐注释数据集，成功得到了将音频信号的连续特征与流派、情感和用途等分类变量之间关系的稀疏而可解释的图模型。

Apr, 2013

通过多元高斯过程回归（MVGPR）方法，克服稀缺和时间不规则数据限制，提出了一种新颖的模态分析技术，能够代替传统的模态分析方法如动态模态分解（DMD）和谱正交分解（SPOD）。MVGPR 的核函数结构基于线性动态的相关函数假设，通过与 DMD 和 SPOD 的联系，该方法在学术研究、合成数据和非稳态翼型气动等范例下得到了验证，展示了 MVGPR 作为一种有前景的替代方法。

Mar, 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