本文旨在探究深度贝叶斯分类器，该分类器利用有条件的深度生成模型来改善传统朴素贝叶斯方法，并针对对抗性样本开发检测方法，试验结果表明深度贝叶斯分类器具有更好的鲁棒性，而检测方法可有效抵御多种攻击。

Feb, 2018

本研究提出了一个基于特征空间的生成分类器框架，以解决在线类增量学习中用于避免 softmax 分类器的数量型偏差问题，并通过广泛实验验证了该框架的有效性。

May, 2022

本研究表明，最近的一些判别模型等价于 K-means，并且证明对于常用的逻辑回归后验概率，通过交替方向方法最大化 L2 正则化的互信息等价于软化和正则化的 K-means 损失。这一理论分析不仅将最近的一些判别模型直接联系到了 K-means，并且提出了一种新的软化和正则化的深度 K-means 算法，在几个图像聚类基准测试中表现出色。

Oct, 2018

本文挑战传统的生成建模方法，提出较好的判别式方法，实验结果表明，该方法在自然语言处理任务上具有更好的性能，无需复杂的提示即可获得最新的状态 - 良好的零 - shot 结果

Nov, 2022

该研究论文探讨了高维二分类在具有条件性噪声标签的情况下的理论视角。通过研究具有标签噪声感知损失函数的线性分类器在维度 p 和样本数 n 都很大且可比时的行为，利用随机矩阵理论和高斯混合数据模型，证明了当 p 和 n 趋近于无穷时，线性分类器的性能收敛至涉及数据的标量统计量的一个界限。重要的是，我们的发现表明低维处理标签噪声的直觉在高维中不成立，即低维中的最优分类器在高维中出现显著失败。基于我们的推导，我们设计了一种优化方法，经证明在处理高维噪声标签方面更加高效。我们的理论结论在真实数据集上的实验证实了我们的优化方法优于考虑的基准方法。

May, 2024

分析了具有同质性激活函数的两层神经网络在无限宽的情况下的训练和泛化行为，并表明在存在低维结构的情况下，梯度流的极限可以完全表征为某些函数空间中的最大间隔分类器，并且具有强的泛化边界，在实践中符合两层神经网络的行为，并证明了其隐式偏差的统计优点。

Feb, 2020

通过向生成式文本分类器引入离散潜变量，并探究几种图模型配置，我们提高了它的性能，尤其在小数据集下，同时分析了模型的可解释性。

Oct, 2019

当前主要的建模人类物体识别的范式是辨别性推理，但零样本生成模型出奇地接近人类物体识别数据。

Sep, 2023

通过对生成法和判别法进行比较分析，研究聚焦于从各种来源获取信息的不确定性感知推断，以及对半监督学习的兼容性，推导出一般的采样方案，从后验预测分布中获得监督学习和半监督学习。

Jun, 2024

本文研究神经网络在两个数据集之间的分类问题，建议通过分类器网络训练来有效解决两个数据样本的差异，本文提出了一种基于已训练的分类神经网络的双样本检验方法，并在理论和实验方面均得到了良好的效果。

Sep, 2019