回帰(関数近似)やクラスタリングにおいて、ガウス過程法やサポートベクターマシンなどのカーネル法の有効性が知られている。カーネル法では入力空間が高次元であっても、空間内各点間の近傍関係をカーネル関数で表現するため、問題は高々データ数のオーダーに落ちる。このため、データの個数が少ないときにはパラメトリックモデルにおける次元の呪いを回避できる。またガウス過程法は、ベイズ的正規化の入った階層型パーセプトロンや動径基底関数のユニット数無限大の極限であり、とくにノイズの多いデータに対して過学習の心配がなく、汎化性能に優れる。本報告では時間変化する環境をガウス過程法において扱うための手法を2つ提案する。一つはデータの重みを時間に沿って減衰させていく方法、もう一つは時間軸を入力空間に含める方法である。この両者が、カーネル共分散行列の自然な拡張によって得られることを示す。