使用高斯过程的贝叶斯方法预测金融数据中的时间变化方差，相较于标准模型，新模型具有更高的预测性能。

Feb, 2014

提出了一种将随机波动模型更改为具有特殊协方差函数的分层高斯过程模型的方法，使其可以根据历史数据产生真正的后验分布，同时还将基于大量已研究的领域的启发式设计用于多任务学习，实现了比基线模型更好的股票和风速预测。

Jul, 2022

提出了一种基于数据增强的全局预测模型 (GFM) 方法，通过三种时间序列增强技术生成一系列时间序列，并通过聚合和迁移学习方法将所得到的知识转移至原始数据集，实现在有限数据量情况下提高预测精度的目的。在比赛和实际数据集的评估中，该算法显著提高了 GFM 模型的基准精度，超过了现有基于单变量预测的方法。

Aug, 2020

这篇论文研究了如何利用数值和概率模型进行高频交易的短期波动率和回报预测，通过在 Numerical Market Prediction 模型的输出上应用高斯过程，使用修正后的股价数据建立了一个被审查的高斯过程模型，评估了预测误差。

Nov, 2023

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

通过在时间序列预测中引入端对端的预测和去噪范式，我们提出了一种端对端预测 - 模糊 - 去噪的预测框架，通过鼓励预测模型和去噪模型之间的分工，以提高预测的准确性。经过大量实验证明，我们的方法能够改善多种先进预测模型和去噪方法的预测准确性。

Dec, 2023

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

提出一种新的高斯过程模型简化方法，通过选择预测相关性最高的少量变量来减少变量数目，从而提高模型解释能力，降低计算成本和新预测的时间消耗。

Oct, 2015

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

本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。

Dec, 2020