本文介绍了一种用于预测圆形值的回归模型，探讨了与高斯过程相关的一族表达且可解释的分布。该模型密度简单，具有最大熵，通过引入一种新的 Stratonovich-like augmentation，可以进行快速的 Markov Chain Monte Carlo 采样。同时，本文论证了在这些模型中采用贝叶斯方法进行参数的转导学习，通过适用于单位圆的两个欧几里得维度的概率模型，对风向和运动步态周期百分比进行了实验证明。

Jun, 2024

本文探讨了多元广义高斯分布（MGGD）和椭圆对称分布下的协方差估计的最大似然优化问题，提供了一种新的基于测地线凸性分析该似然函数的方法以及通过结构化稀疏性限制的广义协方差估计框架。

Apr, 2013

该篇研究论文探讨了在超球面上定义的概率模型，提出了一种新的 Power Spherical 分布用于解决已有 Von Mises-Fisher 分布中采样速度慢以及数值不稳定的问题，并在数字实验中证明其有效性，进而将其应用于一个基于 MNIST 数据集的变分自动编码器。

Jun, 2020

该文介绍了从 Bingham-von Mises-Fisher 分布中采样的拒绝和 Gibbs 抽样算法，并且说明了它们在分析蛋白质相互作用网络中的应用。

Dec, 2007

提出了一种基于记忆的、适合于在线连续学习的、使用最大后验估计原则学习单元球上分布的表示学习技术，其特点是通过固定方向来提高学习模型的 “健壮性”，并且可以适应于大规模的模型以及具有模糊边界的任务场景并取得了比现有技术更好的性能。

Jun, 2023

采用 von Mises-Fisher 分布作为先验和后验分布，避免了 KL 坍塌现象，其在语言模型和文档模型等模型条件下具有更好的似然性和更丰富的潜在表示结构。

Aug, 2018

本论文提出了一种新的估计方法，能够从矩阵变量数据中恢复图形结构和协方差矩阵，同时扩展到可用多个复制品的一般情况下，并且在理论上证明了一致性和算子等多个方面的收敛速度。

Sep, 2012

本研究使用随机梯度哈密尔顿蒙特卡洛方法对深层高斯过程模型的非高斯后验分布抽样，提供了一种新的推断方法，成为 Deep Gaussian Processes 领域新的最优模型。

Jun, 2018

介绍了广义双曲线分布的混合模型，相对于高斯混合分布以及其中的多元 t 分布和偏 t 分布，具有一定的优势性能。通过仿真和真实数据，展示了其在参数估计、聚类以及密度估计中的应用和效能。

May, 2013

本文介绍了高斯过程模型中两种推断超参数后验分布的方法，一种是哈密顿蒙特卡罗（HMC）求解采样近似，另一种是变分推断（VI），其中超参数后验分布被近似为一个因子化的高斯分布或全秩高斯分布，该文分析了完全贝叶斯高斯过程回归在多个基准数据集上的预测性能。

Dec, 2019