高斯过程预测与蒙特卡洛采样的融合
本文提出了一种基于伪边缘法的马尔可夫链蒙特卡罗通用策略，有效地解决了使用高斯过程先验的精确贝叶斯推理和模型参数不确定性导致的数据预测问题。此外，Monte Carlo 积分可用于预测中的所有模型参数，这在高斯过程的层次统计模型中具有重要意义，并与最先进的概率分类器进行了广泛的比较。
Oct, 2013
本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。
Jan, 1997
本文提出了一种基于高斯过程近似的三种方法：基于哈密顿蒙特卡罗算法、基于真实后验期望的重要性抽样方法和利用高斯过程分布重新赋权的替代重要性抽样方法，以解决大数据下的马尔科夫链蒙特卡罗算法不适合的问题。
May, 2016
本文提出了一种将高斯过程进行分解，以便通过将先验与数据分离来进行可扩展抽样的方法，同时结合稀疏逼近在训练和测试时间都能够达到可扩展性的一般性方法。实验证明分解后的样本轨迹可以以较低的代价准确地表示高斯过程后验分布。
Feb, 2020
此研究提出了一种贝叶斯非参数方法，用于信号分离，其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型（GPLVM）扩展为包括每个数据点由多个纯组分信号的加权和构成的情况，并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例，包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学，其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性，我们考虑了几个应用：具有不同温度的近红外光谱数据集，用于识别管道流动配置的模拟数据集，以及通过反射确定岩石类型的数据集。
Feb, 2024
本文研究在数据的概率模型中推断一个潜在函数的问题，并探究了基于马尔可夫链蒙特卡罗采样的高效计算方法在大型数据集上的可行性，提出了一种近似方法，使潜在变量和相关参数的顺序采样能够有效地处理增长数据设置，证明了其在无序、非顺序采样下不可行的情况下的强大性能。
Jul, 2018
本文提出了一种新的多输出高斯过程扩展方法，用于处理异构输出，此方法使用向量值高斯过程先验来联合建模所有似然函数中的参数作为潜在函数，并以线性模型为核心的协同关系形式使用协方差函数；在假设潜在函数之间存在条件独立性并利用引导变量框架的前提下，我们能够获得易于处理的变分下界，适用于随机变分推理。最后我们在合成数据以及两个真实数据集上：人类行为研究数据集以及人口统计高维数据集中展示了该模型的性能。
May, 2018
通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。
Jun, 2013