本研究提出了一种新的离散时间高斯过程混合模型（MiDiGap），用于机器人策略学习。该模型仅需五个演示和摄像头观察即可快速学习，在多项复杂任务中表现出色，显著提高了策略成功率和样本效率，具有重要的实用价值。

本研究提出了一种新颖的架构，通过深核方法优化高斯过程，以解决在不确定性下优化大型语言模型（LLMs）的难题。研究表明，结合LLM基础的深核与高斯过程进行联合优化，显著提高了反应发现率，并在多个基准测试中表现出稳健性和一致性改进。

本研究提出了一种部分可观察的高斯过程网络（POGPN），旨在解决高斯过程中的维数灾难问题。该方法通过建模潜在函数的联合分布，利用所有子过程的观测数据，显著提升了预测性能，展现出良好的应用前景。

本研究提出了一种新的PDE约束深度核学习框架（PDE-DKL），有效解决高维偏微分方程中的数据稀缺问题。该框架结合深度学习与高斯过程，确保在有限数据下仍能准确解算。实验结果表明其在高维PDE应用中具有高精度和低数据需求。

本研究提出了一种高效的在线训练算法，解决了复杂相关结构下贝叶斯优化中的高容量代理模型选择问题。该算法通过条件化与优化交替进行，显著提升了任务表现，优于高斯过程及其他贝叶斯神经网络架构。

本研究提出了一种安全主动学习（SAL）算法，以解决高斯过程微分方程（GPODE）在数据收集和模型训练中的安全性与效率问题。SAL算法通过约束优化显著提升了模型性能，优于传统的数据收集方法。

本研究提出了一种结合神经网络与近似高斯过程的框架，以解决高维空间数据中的因果推断问题。通过泛化倾向得分方法，提升了因果效应估计的精度，尤其在实际案例中，神经网络模型有效预测了因果效应，促进了决策制定。

本研究提出了一种新的二阶联邦学习框架GP-FL，旨在降低通信成本。通过高斯过程建模黑塞矩阵，实验结果显示其在多个数据集上优于传统方法，具备线性-二次收敛速率。

本研究探讨了在贝叶斯优化中使用期望改进（EI）时，由于数值精度敏感性导致的性能提升问题。作者推导了对数变换目标的高斯过程的闭式形式，验证了其在提高预测准确性方面的有效性，增强了EI在实际问题中的应用可行性。

高斯过程学习模型预测控制（GP-MPC）结合高斯过程与模型预测控制，提升复杂系统的控制效果。文章详细介绍了GP-MPC的数学形式及其在机器人控制中的应用，展示了其有效性与适应性，旨在为研究者提供深入的理论与实践理解。

本文提出了SigGPDE，一种新的稀疏变分推理框架，专门用于处理序列数据上的高斯过程。该框架通过诱导变量实现稀疏近似，避免了矩阵求逆，并证明了GP签名核的梯度是双曲型偏微分方程的解，从而优化了ELBO。SigGPDE在大规模数据集上显著提高了计算效率和分类性能。

本研究提出了一种高效的电网潮流学习方法，能够处理网络事故并估算概率电压包络。通过高斯过程和多任务顶点度核方法，显著降低了计算复杂度。模拟实验表明，该方法在N-1和N-2事故情景下表现优异，尤其在训练数据量较少时，预测误差减少超过50%。

本研究提出了一种通过提取电池老化状态和降解速率特征来提高电池寿命预测的方法。基于高斯过程的机器学习模型在74个电池单元上验证，预测准确率提高67.09%，整体分类准确率超过90%。

该研究提出了一种任意条件多功能扩散模型（ACMFD），解决了传统数值方法在多物理仿真中的复杂性和高计算成本问题。ACMFD通过将噪声建模为高斯过程，可以在一个框架内执行多种任务，如正向预测和逆问题。结果显示，ACMFD在多个多物理系统中表现出色，应用潜力广泛。

该研究提出了一种新的局部迁移学习高斯过程模型（LOL-GP），用于降低复杂系统仿真成本。LOL-GP通过潜在正则化模型识别信息迁移时机，避免负迁移，提高预测性能。在喷气涡轮设计中效果显著。

本研究提出了一种高效的高斯过程汤普森采样优化策略，通过一维全局根查找识别局部最优点，并利用可微分解耦表示优化后验样本，提升高维全局优化能力，增强贝叶斯优化表现。