对深度高斯过程执行贝叶斯后验推理Sauer、Gramacy和Higdon（2023年<doi:10.48550/arXiv.2012.08015>). 参见Sauer（2023，<http://hdl.handle.net/10919/114845>)获取全面的方法细节和<https://bitbucket.org/gramacylab/depgp-ex网站/>用于各种编码示例。模型通过以下方式进行培训MCMC包括潜在高斯层和Metropolis-Hastings的椭圆切片采样核超参数的采样。实现了Vecchia近似以实现更快的计算继Sauer、Cooper和Gramacy（2022<doi:10.48550/arXiv.2204.02904>). 下游任务包括通过主动学习进行序列设计科恩/综合均方误差（ALC/IMSE；Sauer，Gramacy和Higdon，2023），通过预期改进进行优化（EI；Gramacy、Sauer和Wycoff，2021年<doi:10.48550/arXiv.2112.07457>)，以及通过熵进行轮廓定位（Sauer，2023）。模型延伸至三层；一层模型相当于典型高斯过程回归。将OpenMP和SNOW并行化与在引擎盖下使用C/C++。
请使用规范形式https://CRAN.R-project.org/package=deepgp链接到此页面。