- 非参数函数的摊销式主动学习
该论文介绍了一种基于主动学习和非参数函数学习的方法，利用高斯过程构造了一个主动学习模拟器，通过一个预先训练的神经网络提出新的数据选择策略，避免了重复模型训练和获取优化，实现了实时数据选择并达到了与耗时基准方法相当的学习性能。
- 基于强化学习的驾驶策略超参数优化
该研究关注于自动驾驶中基于强化学习的超参数优化，通过模拟环境和高斯过程拟合等方法对 RL 代理进行训练和优化，结果显著提高驾驶性能并为自动驾驶系统的开发提供有价值的见解。
- 高斯过程插值与符合预测的方法及比较分析
本文提倡使用符合性预测方法（CP）来增强高斯过程（GP）插值的校准，证明了使用最大似然选择的参数的 GP 模型往往导致预测不是最优校准，在保持 GP 模型准确性的同时，CP 方法可以调整预测区间，实现更好的不确定性量化；我们比较了不同的 C - 基于贝叶斯灰箱的热传递动力学非线性对流效应识别
我们提出了一个计算程序，用于识别热传递动力学中的对流现象。该程序基于高斯过程潜在力模型，包括白盒子组件（即已知的物理学）用于传导和线性对流效应，以及作为非线性对流效应的黑盒子组件的高斯过程。通过贝叶斯平滑来推断状态，并使用拉普拉斯方法获得核 - 基于元学习的噪声感知差分隐私回归
通过使用模拟数据来训练元学习模型，将 Convolutional Conditional Neural Process (ConvCNP) 与改进的 DP 机制相结合，从而提供准确、良好校准的预测模型，并在非高斯数据上优于 DP 高斯过程（ - 通过全局架构因素上的高斯过程优化在 MobileViT 中的导航效率
通过使用高斯过程，我们系统地探索了 MobileViT 的全局架构因子（如分辨率、宽度和深度）与性能之间的非线性和不确定关系，并提出了扭转全局架构因子的设计原则，从而实现在较小的模型尺寸和计算成本下提高模型精度。
- 图神经网络并非总是过度平滑
本研究探讨了图神经网络中的过度平滑问题，并通过使用高斯过程在无限多隐藏特征的极限中对图卷积网络中的过度平滑进行了研究。我们通过一种新的非过度平滑阶段，验证了该理论，并通过在有限大小的图卷积网络上进行训练线性分类器来测试我们的方法的预测结果， - ICML基于函数先验的贝叶斯优化引导的高效黑盒对抗攻击
本研究提出了一种先验引导贝叶斯优化算法，用于黑盒对抗攻击，通过在查询 - based 攻击中结合白盒模型的梯度来改进查询效率。实验证明，与当前黑盒攻击算法相比，该算法在减少查询次数和提高攻击成功率方面具有明显优势。
- 贝叶斯自适应校准与最优设计
这篇论文介绍了一种基于贝叶斯自适应实验设计的数据高效算法，用于校准自然现象的计算机模型，并展示了该方法在人工合成数据和真实数据问题中相比其他方法的优势。
- 基于完全贝叶斯神经网络的不连续和非稳态数据的主动学习
主题：主动学习、概率替代模型、高斯过程、不连续性、完全贝叶斯神经网络；摘要：评估了完全贝叶斯神经网络在小数据条件下使用无 U-Turn 采样器进行主动学习任务的适用性和性能，突显了其增加物理科学问题相关测试函数的预测准确性和可靠性的潜力。
- 利用高斯过程进行虚拟环境中人机交互的安全运动预测
通过使用高斯过程模型来预测人手运动并基于手势和凝视开发人类意图检测策略，本研究旨在提高协作机器人的效率，并改善人类用户的安全性。对比结果显示，预测模型使机器人时间提高了 3％，安全性提高了 17％；与凝视结合使用时，使用高斯过程模型的预测使 - 贝叶斯少样本分类中的收敛加速
本研究论文通过将基于镜像下降的变分推断与基于高斯过程的少样本分类无缝集成，解决了非共轭推断所带来的挑战。借助非欧几何，镜像下降通过提供沿对应流形的最陡下降方向实现加速收敛。此方法还具有关于变分分布的参数化不变性。实验结果显示了与基准模型相比 - 神经算子引导高斯过程框架用于参数化偏微分方程的概率解
神经算符、高斯过程、偏微分方程、不确定性度量和算符学习是该研究论文的关键词，提出了一个新的神经算符引导的高斯过程框架，通过实验验证了其在各种 PDE 示例中的优越准确性和预期不确定性特性。
- 将市场渠道整合到基于高斯过程模型的分位变换和贝叶斯优化的组合核销预测中
本研究介绍了一种创新的高斯过程（GP）模型，利用集成核函数将径向基函数（RBF）、有理二次函数和 Matérn 核融合起来，用于产品销售预测。通过应用贝叶斯优化，我们有效地找到了每个核函数的最优权值，增强了模型处理复杂销售数据模式的能力。我 - 提升混合交通的安全性：基于学习的建模与有效的自动驾驶和人工驾驶车辆控制
使用先进的人类驾驶车辆模型和高斯过程学习相结合的方法来预测人类驾驶车辆的行为，并利用该模型开发了一种增强型模型预测控制策略，以提高混合车辆编队的安全性和运行效率。
- 张量网络约束核机器作为高斯过程
张量网络（Tensor Networks）被用于通过限制模型权重来加速核机器，在概率参数上置于 i.i.d. 先验下，我们证明了规范多项分解（CPD）和张量列车（TT）约束的核机器的输出可以恢复到一个完全特征化的高斯过程（Gaussian - 量子系统的神经网络表示
通过使用神经网络的通用逼近定理，本文提出了一种新的映射方法，将广义的量子力学系统转化为带有网络参数统计求和的神经网络形式，从而将机器学习与量子世界更加紧密地联系起来。
- 对成功的对抗样本的鲁棒性界限：理论与实践
该研究选择了对抗样本（AE）作为机器学习的一种攻击方法，通过对数据添加不可感知的扰动来诱导错分。研究通过使用高斯过程（GP）分类，探究了成功 AE 的概率上限，并证明了该上限取决于 AE 的扰动范数、GP 中使用的核函数以及训练数据集中不同 - 将热核进行草图化：使用高斯过程嵌入数据
引入一种新的非确定性方法，将数据嵌入低维欧几里德空间，该方法基于依赖于数据几何的高斯过程的实现，通过计算高斯过程的实现来计算嵌入，其中高斯过程的协方差函数被取为热核函数，嵌入的直线距离以概率意义上逼近扩散距离，避免了对距离进行尖锐截断并保留 - 信息论安全贝叶斯优化
通过提出一种信息论安全探索准则，本研究结合贝叶斯优化采样函数，基于高斯过程推断直接识别最具信息价值的安全参数进行评估，从而实现连续领域的可行性约束优化。