本文通过迭代高斯化的过程，提出了一种名为 “高斯化流” 的正态流模型，能够进行高效的似然计算和样本生成，而且具有良好的表达能力，能够捕捉多峰分布，且相较于其他流模型有更好的鲁棒性和泛化能力。

Mar, 2020

本研究通过理论分析和实证研究发现，虽然 Gaussianization 是一种简单的生成模型，但其训练速度在维度增加时会减慢，因为模型无法捕捉维度之间的依赖关系。

Jun, 2023

本文分析了两种常见的高斯过程方法：早期截断共轭梯度（CG）和随机傅里叶特征（RFF），发现两种方法都会对学习到的超参数引入系统偏差：CG 倾向于欠拟合，而 RFF 倾向于过拟合。我们使用随机截断估计器解决了这些问题，以换取增加方差的无偏差性。在 RFF 的情况下，我们发现偏差 - 方差转换确实是一种权衡：额外的方差对优化产生负面影响。但是，在 CG 的情况下，我们的无偏学习方法在最小化额外计算量的同时显着优于其有偏的对照组。

Feb, 2021

提出了一种基于射线束抽样和径向滤波器的图像规范化模型及其训练方法 BIC，实现了对于旋转不变性的视觉处理，与经典卷积神经网络相比，能够更有效地处理该类问题。

Jun, 2022

通过使用具有强大场景先验和无信息均匀损坏先验的贝叶斯方法（RIG），在给定单一图像的情况下，我们能够推断出含有各种污染物（如雨、雪或雾）的 3D 场景，并展示了 RIG 是如何超越点估计而优于深度估计器和其他性能的 NeRF 方法的。

Feb, 2024

在高维正则化回归中，我们使用旋转不变协变分布来建模结构化的样本依赖性和重尾现象，并引入了一种可靠执行交叉验证的新框架 ROTI-GCV，同时提出了在这些具有挑战性的条件下对信噪比和噪声方差进行估计的新估计器。通过广泛的实验，我们展示了我们方法的强大性以及其相较于现有方法的优越性。

Jun, 2024

本研究提出了一种基于信息几何学的优化方法，使用自适应的、时变的、基于分位数的目标函数变换进行自然梯度上升。该方法不假设目标函数是可优化的，并通过时间离散化产生具体算法。理论上显示该算法最小化了多样化的损失，初步实验也展示了该算法具有在单次运行中做多次全局探索的能力。

Jun, 2011

为了在监督学习任务中很好地推广训练数据，我们应该将不变性纳入模型结构中，并使用边际似然进行学习，我们通过高斯过程模型演示了这一点，并提出了一种包含不变性的高斯过程的变分推断方案。

Aug, 2018

使用基于迭代最优输运和 Wasserstein 距离的方法，开发了一个能够将任意概率分布函数转化为目标概率分布函数的迭代深度学习算法；其中，还引入了两种正交分片迭代正常化流模型，SIG 模型能够生成高质量的图像数据集，而 GIS 可以在小型数据集上使用，并对密度估计任务具有较高的稳健性和快速性。

Jul, 2020

通过使用广义贝叶斯推理，在几乎没有额外成本的情况下进行可靠的、鲁棒的、共轭的高斯过程回归，实现对高斯过程回归的可靠性和不确定性的确切推断。

Nov, 2023