提出了一种使用广义贝塔分布的新型正态尺度混合类，并通过该类介绍了新的层次结构，从而发展了一类变分贝叶斯近似，以更高效地应对海量数据集。

Jul, 2011

文中提出了一种高效的从结构化多元高斯分布中采样的方法，该分布经常作为分配条件高斯先验的模型参数的条件后验概率。所提出的算法仅需要矩阵操作（如矩阵乘法和线性系统解），并展示了与现有算法相比，算法的计算复杂度随着维度的增加而线性增长。该算法应该广泛适用于在高维模型参数上使用高斯比例混合先验的设置中。通过在具有马蹄先验的高维回归设置中进行后验采样，我们提供了一个说明。

Jun, 2015

我们提出了一个实用且可扩展的高斯过程模型，用于大规模非线性概率回归。我们的专家混合模型在概念上简单，并以分层方式重新组合计算，以对整个高斯过程进行近似。通过封闭形式和分布式计算，可以实现高效的大规模并行化，同时保持内存消耗较小。因此，我们的模型具有处理任意大小数据集的潜力，而无需明确的稀疏逼近。我们提供了强有力的实验证据，表明我们的模型可以应用于超过数百万个数据的大数据集。因此，我们的模型有可能为一般的大规模高斯过程研究打下基础。

Dec, 2014

本文提出了一种基于牛顿法的优化程序，通过迭代两个子问题来实现高效计算，使用块协调下降来限制内存使用并实现快速收敛，解决了大规模问题下的内存限制和精度问题。

Sep, 2015

该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

Dec, 2020

分析使用得分为基础的生成模型在学习一类亚高斯概率分布时的近似和概括性，介绍了相对于标准高斯测度的概率分布的复杂性概念，证明了通过经验得分匹配生成的分布以维度无关的速率近似目标分布。通过包括某些高斯混合的示例说明了理论，证明中的一个基本要素是导出与正向过程相关的真实得分函数的无维度深度神经网络逼近速率，独立成趣。

Feb, 2024

本文提出了一种基于改进的 softmax 似然函数的新的可扩展的多类高斯过程分类方法，该新似然函数具有两个好处：它可以导致良好校准的不确定性估计，并允许有效的潜变量扩充。该模型通过块坐标升高更新实现了快速的变分推断方法，具有快速的条件共轭性，既可以实现不确定性校准，又可以实现速度。我们的实验表明，与现有技术相比，我们的方法在具有良好校准的不确定性估计和具有竞争预测性能的情况下，可以快两个数量级。

May, 2019

本文提出了一种端到端可训练的图像压缩框架，采用自回归和分层先验的组合估计每个潜在表示的分布，并使用一种方法将比特率分配到每个图像以最大化 MS-SSIM。

Oct, 2019

该研究提出了一种基于多尺度表示、局部模式建模的高阶图像模型框架，使用 MCMC 方法进行采样，并利用其进行轮廓检测和图像二值分割。

Jun, 2014

我们使用高斯混合模型构建了一种高效的显式表示方法，可以在短时间内优化和渲染复杂的外观，该方法能够应对高维度挑战和缺失细节，并适用于快速拟合和评估。

May, 2024