本文提出了一种结合了经典时间序列模型和深度神经网络优点的数据驱动和可扩展的混合模型，通过潜在的全局深层次组件和局部的经典高斯过程模型来处理不确定性，并在实践中展示了比现有技术更高的准确性。

Nov, 2018

本文提出了基于去噪扩散概率模型的深度学习生成方法，首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明，这种方法与其他最先进的深度学习生成模型竞争力相当。

Dec, 2022

本研究提出了一种基于预训练 AWGN 降噪网络的全盲视频降噪方法，采用一种新颖的帧对帧训练策略，实现了离线和在线两个版本。我们的降噪器可以在不知道视频来源的情况下使用，并达到了标准高斯噪声的最先进性能。在线过程仅需要几个帧即可实现广泛範围的扰动的令人满意的结果，同时在离线情况下性能更好。

Nov, 2018

本研究使用高斯过程（GPs）探索了对具有基本结构的均值回归时间序列进行预测的应用，使用相对未开发的函数和增强数据结构。通过模拟数据，我们可以将预测分布与测试集的实际分布进行比较，从而减少对实际数据进行时间序列模型测试时固有的不确定性。

Feb, 2024

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 2019

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

本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构，以匹配高分辨率雷达测量数据。结果表明，该模型可以匹配现有的最佳降尺度方法，而且在像素、空间和统计数据上表现优异。

Apr, 2022

本文提出使用基于 RNN 的时间序列模型与带有低秩协方差结构的高斯联合分布过程输出模型相结合，以减少计算复杂度和处理非高斯边际分布，并在多个真实数据集上证明其性能优于现有方法。

Oct, 2019

未来状态预测在与动态环境交互中对决策具有至关重要的作用。我们提出使用非参数模型以概率化的方式预测图像序列的未来图像，并通过时间传播不确定性生成预测的置信度度量。我们利用高斯过程的数据效率和在线动态训练能力来演示我们的方法，成功预测了平滑流体模拟环境的未来帧。

Jul, 2023

我们提出了一个针对医疗保健的个性化和可靠的预测模型，可以提供个性化的诊断、治疗和预防等医疗服务。该模型利用深度神经网络学习众多病人的复杂全局趋势，并利用高斯过程对每个病人的个性化时间序列进行概率建模，从而比标准时间序列深度模型如纯循环神经网络（RNN）具有更实用的优势。

Jun, 2018