本研究提出了一种新的高斯过程回归库GPRat，结合异步运行时模型HPX与Python API，解决了人工智能软件开发中CPU并行化导致的性能下降问题。实验结果表明，GPRat在多核处理器上的训练和预测速度显著优于现有库，展示了异步任务的潜力。

本文提出AsynEIO模型，解决异步事件相机与惯性传感器在运动估计中的融合问题。该模型利用高斯过程回归，结合事件驱动前端和惯性因子，实现高效的运动轨迹追踪与优化。实验结果表明，AsynEIO在高速度和低光照条件下优于现有方法，具有实际应用价值。

解释性人工智能研究揭示复杂机器学习的预测机制。本文探讨高斯过程回归（GPR）的特征归因，提出原则性定义。我们导出解释性表达式，使用Integrated Gradients方法时，GPR的归因符合高斯过程分布，量化了不确定性。理论和实验表明，该方法多功能、稳健，且比现有方法更准确、成本更低。

本论文提出了一种基于高斯过程回归的黑盒模型，用于识别机器人操纵器的反向动力学。该模型使用新颖的多维核函数，准确性、广泛性和数据效率优于其他方法。实验结果表明，该方法在模拟和真实机器人操纵器上表现出与基于模型的估计器相当的性能，但需要更少的先验信息。

该文章介绍了一种基于高斯过程回归的概率物理信息机器学习框架，用于重建动力学力。该框架适用于不完整和受污染的数据，并可考虑测量系统噪声的自然正则化方法。作者通过推测格陵兰东桥的空气动力学响应，发现应用和预测的动态负荷之间存在良好的一致性。该框架还可用于计算全局响应和内部力，并可应用于验证设计模型和假设，以及辅助损伤检测和结构健康监测的预测。

本文综述了机器学习算法在地球卫星观测中的应用，特别是高斯过程回归在生物物理参数估计方面的应用。同时介绍了如何利用前向模型改进预测和理解物理关系。最后，提出了三种高斯过程模型，并通过植被监测和大气建模的实例验证了它们的性能。

本文研究了高斯过程回归的收敛性及层次高斯过程回归中从数据中学习超参数的情况。提供了收敛性分析和误差界限方法。研究旨在利用高斯过程回归近似贝叶斯反问题的数据似然性。

介绍了一种能够在高维数据上直接推断隐含结构的高斯过程回归技术，提供准确的不确定性估计和处理小型或稀疏数据集。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。

该文介绍了一种基于高斯过程回归的概率物理信息机器学习框架，适用于不完整和受污染的数据。该框架可以用于考虑测量系统噪声的自然正则化方法，并推测了格陵兰东桥的空气动力学响应。结果显示应用和预测的动态负荷之间存在良好的一致性，并可用于计算全局响应和所产生的内部力。