该研究提出了一种局部迁移学习高斯过程模型（LOL-GP），旨在降低复杂系统计算仿真的高成本。通过利用相关系统数据，LOL-GP有效训练代理模型，并引入潜在正则化以避免“负迁移”，显著提升预测性能，尤其在喷气涡轮设计中表现突出。

本文基于语音运动学理论和Sigma-lognormal模型，提出了一种简化模型用于分析复杂语音运动。研究通过高斯过程模型预测人手运动，以提高协作机器人效率和安全性。实验结果表明，预测模型在时间和安全性方面均有提升。此外，探讨了运动传感器技术在控制辅助机器臂中的应用，分析了现有的人类运动轨迹预测方法及其局限性，并提出未来研究方向。

本文提出了一种三步法来解决合成基因设计中的优化问题，使用高斯过程模型来模拟细胞行为，并在哺乳动物细胞的实验中证明了该方法的性能。

该文介绍了一种改进的EI方法，通过引入高斯过程模型提供的协方差信息，修正了传统的EI公式，以达到在有噪声和无噪声的情况下都具有较好泛化性能的目的。实验证明，在黑盒优化的基准函数和神经网络模型压缩的参数搜索中，该方法在存在噪声观测时能够胜过EI方法。

该文介绍了一种主动学习方法，旨在快速定位所有感兴趣函数超过/低于给定阈值的区域。作者提出了一个有限时间搜索过程，以在一维空间中执行级别集估计，并使用调节参数来权衡估计精度和行进距离。该策略可以推广到高斯过程模型下执行高维级别集估计。实证结果表明，该方法通过非迈逐地对待距离，显著改进了现有技术水平。

该文介绍了一种可扩展的高斯过程模型，用于大规模非线性概率回归。该模型采用专家混合模型，并以分层方式重新组合计算，以对整个高斯过程进行近似。实验证据表明，该模型可以应用于超过数百万个数据的大数据集。