通过引入基于矩的新型嵌入约束，以及使用具有联合分布的最终层的 Axis-Aligned Gaussian Mixture Model (AAGMM) 层来解决 softmax 网络中的异常值敏感性问题，并在半监督图像分类领域实现与 FlexMatch 准确性匹配的结果。

Apr, 2024

本文提供了一种学习深度神经网络表示条件矩限制模型的方法，该方法以模型和对手之间的零和博弈为核心思想，将深度神经网络用于非参数工具变量回归中。

Mar, 2018

本文提出了一种有效方法来估计高维的混合模型的参数以及应对 EM 算法的失败问题，该方法基于矩估计法来进行无监督学习从而实现了之前未能达到的混合模型严格的无监督学习结果。

Mar, 2012

利用半定规划抑噪，解决高斯混合模型中方法矩的不一致性等问题，建立在 Wasserstein 距离下新的矩比较定理，提出新的算法，解决方法矩估计常见的问题。

Jul, 2018

本文提出了 Moment Exchange 方法，它是一种隐式数据增强方法，通过替换学习特征的矩和插值目标标签，强制模型从矩中提取训练信号来利用矩的信息，从而在多个识别基准数据集上提高高度竞争性基线网络的泛化能力。

Feb, 2020

论文介绍了基于谱方法模型参数学习的强大工具，并提出了一种分层方法去解决模型错误建模的鲁棒性问题。我们用近似的联合对角化取代以前算法中使用的张量分解步骤，并在主题建模实验中表明，我们的方法在速度和模型质量方面优于以前的张量分解方法。

Oct, 2018

通过使用新的自适应学习率，开发了带有动量方法的 MoMo and MoMo-Adam，并增强了模型通过使用批次损失和梯度来建立模型和较低下限估计的模型，实现迭代优化影像分类模型，相较于 SGDM 和 Adam，提高了准确性和鲁棒性。

May, 2023

提出了一种去除了原有约束的方法的方法，称之为核矩法，并将其用于条件矩限制问题上并取得一定的实验结果。

May, 2023

本研究提出了基于矩方法的统一框架 Polymom，通过将混合模型的矩表示成参数的多项式的混合形式，利用半定规划来解决广义矩问题的松弛，并将参数提取的想法与计算机代数相结合，从而推导出估计过程，并可以应用凸优化、计算机代数和矩理论的工具来研究统计估计问题。

Mar, 2016

本文提出了一种新的方法（L2M），通过使用 Adagrad 等优化器已经估算出来的梯度二次矩来构造 Laplace 近似，而不需要计算曲率矩阵。该方法不需要改变模型或优化器，可以通过几行代码实现，并且不需要引入任何新的超参数。我们希望该方法能为深度神经网络的不确定性估计开辟新的研究方向。

Jul, 2021