介绍了一种新的大规模高斯过程的近似方法 —— 高斯过程随机场，在合理精度和计算代价的前提下实现了潜在变量建模和超参数调节，并在合成空间数据和地震事件定位的真实世界应用中展示了其有效性。

Oct, 2015

本研究提出了一种名为 VideoGCRF 的方法，采用深度高斯条件随机场对密集连接的时空图进行精确和高效的推断，能够与现代深度网络一起进行端到端的视频理解训练，并在语义分割和实例分割的任务中呈现出实证上的优越性。

Jul, 2018

该论文提出了一种基于图结构状态空间模型的概率推理方法，利用深度学习和高斯马尔可夫随机场的有原则的推理方法，定义简单的空间和时间图层，并通过变分推理从单个时间序列中高效地学习出灵活的时空先验分布，可缩放地采样出闭合的后验。

Jun, 2023

提出了一种新颖的、基于高斯马尔可夫随机场并利用多层结构的深度高斯马尔可夫随机场模型，该模型在大规模图数据上具有良好的可扩展性和灵活性，并利用变分推断的方法进行高效训练和预测。在多个实验数据集上，该模型都表现出了比其他贝叶斯和深度学习方法更好的性能表现。

Jun, 2022

本文提出了一种新的基于高斯过程概率模型的流数据部署方法，包括学习超参数和优化伪输入位置，并使用合成和真实数据集进行评估。

May, 2017

提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

Apr, 2018

在大规模回归问题中，通过通过定义核函数的谱密度，利用 Monte Carlo 抽样生成有限的样本集合以形成近似的低秩高斯过程（GP），随机 Fourier 特征（RFFs）显著提高了 GP 的计算可扩展性和灵活性。然而，RFFs 在核逼近和贝叶斯核学习中的有效性取决于能否轻松地采样核谱测度并生成高质量的样本。我们引入 Stein 随机特征（SRF），利用 Stein 变分梯度下降，可以用于生成已知谱密度的高质量 RFF 样本，以及灵活高效地近似传统上非分析的谱测度后验。SRFs 只需要评估对数概率梯度，即可同时进行核逼近和贝叶斯核学习，从而在传统方法上实现更好的性能。通过将其与基准模型在核逼近和众所周知的 GP 回归问题上进行比较，我们经验证明了 SRF 的有效性。

Jun, 2024

本文提出了 Poisson-randomized gamma dynamical system（PRGDS），这是一种用于串行观测计数张量的模型，其编码了对稀疏性和爆发性的强归纳偏差，可用于转移学习，有对其他模型研究的比较。

Oct, 2019

该论文提出了一种基于 Gumbel 图网络的随机模型，能够学习高维度时间序列，捕捉随机性和空间相关性，通过 Kuramoto 的模型比较了两个损失函数的 Hessian 矩阵，实验证明该模型在收敛性、稳健性和泛化性方面都具有优势。

Jul, 2023

提出了一种 GRU-ODE-Bayes 方法来建模真实世界的多维时间序列，该方法包括对神经普通微分方程的连续时间版本和处理不规则数据采样的贝叶斯更新网络，并证明了该方法在医疗保健和气候预测领域的应用中优于现有技术。

May, 2019