本教程旨在提供对高斯过程回归的直观理解。首先解释了构建高斯过程的基本概念，包括多元正态分布，核函数，非参数模型以及联合和条件概率。然后简要描述了高斯过程回归以及标准高斯过程回归算法的实现。除标准高斯过程回归外，还介绍了实现最先进的高斯过程算法的软件包。本教程以易懂的方式编写，可确保没有机器学习背景的读者能够充分理解高斯过程回归的基础知识。

Sep, 2020

本文介绍了一种基于用户反馈的偏好学习方法，利用高斯过程 (GP) 对奖励函数进行建模，在不增加结构限制并避免数据不足和刚性的问题的情况下，仅通过比较轨迹即可有效学习机器人任务的表达性奖励函数。

May, 2020

研究机器学习中先前观察到的人们的选择，作为贝叶斯反向规划的先验，建议了一种引入计划偏差和时序不一致性的算法，通过构造计划生成模型，分析了其对偏差和忠诚度的推断。人体实验表明，人们也会从系统性偏离最佳行为中解释选择，并考虑这些偏差。

Dec, 2015

通过使用预测熵计算信息增益，我们提出了一种方法来优化高斯过程分类器的主动学习，同时也将其扩展到高斯过程偏好学习，相比其他主动学习和决策理论方法，我们的方法可以在相等或更低的计算复杂度下获得相同的实验性能。

Dec, 2011

本文提出了一种将博弈论与偏好学习相结合的新算法，可解决大规模特征选取和模型可解释性等问题，并在分类任务中实现了最先进的精度。

Dec, 2018

采用贝叶斯方法结合矩阵因式分解和高斯过程，使用输入特征来预测个人偏好和众人共识，在大量的用户、物品和成对标记的情况下利用随机变分推断方法达到可扩展性，该方法在推荐任务和自然语言处理任务上均表现优异。

Dec, 2019

本文探讨了高斯过程和贝叶斯优化这两种方法在金融建模中的应用，特别是在利率期限结构建模和趋势跟踪策略中的运用。

Mar, 2019

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

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

通过选择由策略模型生成的练习模式来指导人类学习者通过学习过程，提出了一个建模框架。

Jun, 2024