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。

该研究提出了多种相机标定方法，包括CompenNet++、SynthCal和基于高斯过程的校准，显著提高了标定精度。通过创新的自标定方法和镜面反射的利用，克服了传统方法的局限性，实验结果验证了新方法在合成和现实数据上的有效性与准确性。

本文介绍了一种新的深度顺序潜变量模型，旨在解决医疗和金融领域的缺失数据问题。该模型利用高斯过程实现非线性降维和数据插值，优于传统方法，并提供可解释的不确定性估计。研究还提出了多种插值方法，如基于条件分数扩散模型和贝叶斯在线多元时间序列插补，均在不同数据集上表现出色，具有广泛应用前景。

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。

本研究提出了一种高效的高斯过程汤普森采样优化策略，旨在解决高斯过程在连续优化中的全局优化问题。通过一维全局根查找识别局部最优点，显著提升了贝叶斯优化的性能。

本研究提出了一种结合线性时不变动力系统和高斯过程的新方法，以改进个体剂量响应的建模与预测。通过机器学习和神经网络，构建潜在结果框架，估算个体剂量反应曲线。研究开发了CBRNet和CRNet模型，解决治疗剂量的连续性问题，并在合成和真实数据集上验证了其优越性。这些方法在精准医学和管理科学中具有重要应用价值。

本文提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法，适用于非线性随机动态系统的识别与控制。研究表明，该方法在复杂情况下表现出优越的鲁棒性，并在高维Gauss-Markov模型和稳定未知噪声线性时不变系统中展示了有效性。

本文介绍了一种新颖的非远见自适应高斯过程规划框架，旨在优化机器人算法参数并确保安全性。研究提出了多种安全贝叶斯优化算法，结合动态环境和高维问题，提升了优化效率和安全性，适用于复杂控制系统的参数优化。