本文介绍了高斯过程模型中两种推断超参数后验分布的方法，一种是哈密顿蒙特卡罗（HMC）求解采样近似，另一种是变分推断（VI），其中超参数后验分布被近似为一个因子化的高斯分布或全秩高斯分布，该文分析了完全贝叶斯高斯过程回归在多个基准数据集上的预测性能。

Dec, 2019

高斯过程在小型、结构化和相关的数据集上提供了一种有吸引力的回归方法。然而，它们的部署受到计算成本的限制，并且缺乏如何应用于复杂的低维数据集的指导。我们提出了一个框架，用于确定高斯过程在给定问题上的适用性，并建立一个强大且明确的高斯过程模型。该框架给出了有经验的高斯过程实践者的决策指南，重点关注核函数设计和计算可扩展性选项。然后，该框架用于一个冰川海拔变化的案例研究，在测试时得到更准确的结果。

Jul, 2023

我们提出了基于原理的高斯过程（GPs）来建模在简单二维复合物的边集上定义的函数，一种类似于图形的结构，在其中边可以形成三角面。这种方法旨在用于学习在边流可以由离散的散度和旋度描述网络上的流动类型数据。

Oct, 2023

本文介绍了如何将图神经网络中的归纳偏置引入高斯过程中，以优化其在图结构数据上的预测表现，并得出了一些有趣的成员和提出了一种适用于大规模数据后验推断的协方差矩阵的近似方法，通过这些基于图的协方差矩阵，与相应的图神经网络相比，具有相似的分类和回归性能以及计算时间上的优势。

Feb, 2023

提出了一种新的贝叶斯非参数方法，以在非欧几里德域上学习平移不变的关系。 该方法可应用于机器学习问题，其中输入观测值是具有普通图形域的函数。 并将图卷积高斯过程应用于图像和三角形网格等领域，表明了其多功能性和有效性，与现有方法相比具有优势，尽管是相对简单的模型。

May, 2019

该论文研究了在有向无环图（DAG）上定义的一组干预函数的相关结构的学习问题，提出了一种多任务因果高斯过程（GP）模型，称为 DAG-GP，该模型捕捉了不同维度输入空间中的函数之间的相关性，并在实验中测试了其预测质量和校准不确定性。

Sep, 2020

本文介绍了高斯过程和深度高斯过程，并探讨了用于近似贝叶斯推断的不同变分推断模型及其优点和局限性。

Sep, 2019

本文提出了一个基于高斯过程回归的验证框架，将连续空间系统抽象为有限状态不确定马尔可夫决策过程，利用模型检测工具验证抽象的不确定性，并将结果扩展到基础的部分可观测系统，有效地应用于线性、非线性和切换系统等多种情况下。

Dec, 2021

近年来，人们对开发图上的机器学习模型产生了相当大的兴趣，以考虑拓扑归纳偏差。本文超越二元关系的设置，研究多项关系，包括顶点、边和称为单元的推广之间的相互作用。我们提出了复杂细胞复合体上的高斯过程，这是图的推广，捕捉了这些高阶单元之间的相互作用。我们的主要贡献之一是推导出两个新的核函数，一个泛化了图马尔诺核函数，另一个额外混合了不同单元类型的信息。

Nov, 2023

该论文综述了现有的图内核方法，包括其应用、软件和数据资源，以及现阶段最先进的图内核进行的实证比较，以解决图形相似度评估问题，进而在分类和回归模型中进行预测。

Nov, 2020