该论文提出了一种基于高斯混合模型的数据学习算法，可用于密度估计、数据聚类、高斯混合参数估计等问题，同时考虑了高维情况下的实际问题。
Apr, 2010
本文解决了高维度任意固定数目成分的高斯混合分布在多项式学习方面存在问题的问题，提供了降维方法来将学习高维混合分布降至低维学习问题，并利用实代数几何学工具提供了多项式族分布的学习方法。
通过变宽直方图的方法精准估算概率分布，从而实现高效的概率分布混合学习算法。分析了几种常见的概率分布类型，包括对数凹形分布，单调危险率分布和单峰分布，并表明它们具有少量宽度直方图的结构特性。应用该算法可近乎最优地解决这些混合学习问题。
Oct, 2012
提供了一种高效的样本多项式时间估计器，用于高维球形高斯混合模型中，从而显着降低了时间和样本复杂度，并且还提出了针对一维混合模型的简单估计器及一种更快的算法，用于从一组分布中选择密度估计。
Feb, 2014
本文提出了一种高效的基于变宽直方图的密度估计算法，通过使用该算法对来自 $p$ 的独立同分布采样，可以输出一个分段常数概率密度函数作为假设分布，并且在样本规模和运行时间上达到最优，其中总变差距离满足一定的误差限制。
Nov, 2014
设计了一种新的快速算法，用于对分段多项式函数进行密度估计，该算法具有采样最优和近线性时间的估计能力，并且在实践中表现良好。
Jun, 2015
提出了一种基于混合学习算法的PAC学习方法，该算法可用于密度估计中的概率分布，其中包含了学习概率分布，学习混合分布等，其中混合分布包括轴向高斯混合分布，高斯混合分布和对数凹分布。
Jun, 2017
研究了从不可信批次中学习的问题，通过采用基于求和平方层次结构的算法框架，提出了在具有形状先验知识的情况下，在自然分布类中降低样本复杂度的解决方案。
Nov, 2019
本文介绍了学习高斯混合分布和算法鲁棒性统计的自然融合，提出了第一个可靠的算法，用于学习任意数量的高斯混合物，且仅需要混合权重（有界分数性）和成分之间的总变差距离与零保持一定距离的温和假设条件。算法的核心是一种新的方法，通过对某些生成函数应用一系列精心选择的微分运算来证明维度无关的多项式可辨识性，这些生成函数不仅编码了我们想要学习的参数，还编码了我们想要解决的多项式方程系统。我们展示了如何直接使用我们推导出的符号身份来分析自然的平方和松弛问题。
Nov, 2020
提出了一个将差分隐私统计估计转化为无差分隐私的框架，并给出了用于学习高斯分布和鲁棒学习高斯分布的多项式时间差分隐私算法，该方法中学习高斯分布的样本复杂度和已知的信息论样本复杂度的上限相匹配，并且还证明了相似的结果，其中鲁棒学习高斯分布的样本复杂度更低。
Nov, 2021