本研究提出了一种新的监督学习方法，Manifold Gaussian Processes，该方法通过联合学习将数据转换为特征空间，并从特征空间到观测空间建立了GP回归模型，实验结果表明该方法适用于包括非光滑函数和机器人任务等不规则函数。

Feb, 2014

本文研究了基于Riemann流形的时间序列测量数据的统计循环网络模型，通过有效算法和严格分析统计性质，证明了其与现有方法相比表现相当并参数更少，同时在大脑成像的统计分析任务中得到了应用。

May, 2018

该论文提出了通过光谱理论在紧致黎曼流形上计算这些过程的核心的技术，从而允许使用加速训练技术训练黎曼Matern高斯过程，并将其更易用于机器学习实践。

Jun, 2020

本文提出了一种称为神经流动流形的新型生成模型，可以更好地适应数据几何，增加了模型的通用性和表达能力并提高了密度估计和下游任务的效果。

Jun, 2020

本研究论证了紧致黎曼流形上的内蕴Matérn高斯过程和外蕴过程在收敛速率上相符，通过在多个实例上的实证结果表明内蕴过程在实践中可以获得更好的性能，这加强了对几何高斯过程的数据效率水平进行细粒度分析的必要性。

Sep, 2023

RVGP是一种推广的高斯过程（GPs），用于学习潜在黎曼流形上的向量信号，通过与数据的常见基于图形的逼近相关的切空间束联结Laplacian的特征函数进行位置编码，具有全局规律性，可以在保留奇异点的同时对向量场进行超分辨率重建和内插，用于重构健康人和阿尔茨海默病患者低密度脑电图记录的高密度神经动力学，并且我们发现向量场的奇异点是重要的疾病标记，并且其重建方法在疾病状态的分类精度上与高密度记录相当，因此克服了实验和临床应用中的一个重要限制。

Sep, 2023

该研究提出了一种新的方法，称为Thin and Deep GP (TDGP)，它通过定义原始输入数据的局部线性变换来保持潜在嵌入的概念，并保留核函数的长度尺度的解释性。与先前的方法不同，TDGP引入的流形可避免路径学习中的特殊病理问题，并且在学习低维表示方面表现出色。在理论和实验结果中证明了TDGP在发现输入数据的低维流形、增加层数时的良好性能以及在标准基准数据集上的表现。

Oct, 2023

本文提出了适用于在流形上的矢量值信号的新型高斯过程模型，考虑了流形的几何特性，并展示了在二维球面和超平面上部署的Hodge-Matérn高斯矢量场以及离散二维网格和理想流形的推广方向。同时，证明了我们的高斯矢量场相较于之前提出的外部场具有更加精细的归纳偏差。

Oct, 2023

高斯过程回归是一种用于提供准确的不确定性估计和处理小型或稀疏数据集的方法，然而在高维数据上存在困难，本文提出了一种能够在实际数据中直接推断隐含结构的高斯过程回归技术，并讨论了该模型收敛到假设流形上的Matern高斯过程的情况，该技术能够扩展到数十万个数据点，并提高高维情况下标准高斯过程回归的预测性能和校准性。

Oct, 2023

我们提出了一种在Riemannian流形上进行分布学习的替代方法，该方法只需要一次函数评估，然后将结果投影到流形上。通过在切空间中评估的迹来估计负对数似然的梯度，我们在各种流形上评估了我们的方法，并发现相比之前的工作，推断速度显著提高且具有竞争性的性能。我们在该网址上公开了我们的代码。

Dec, 2023