该研究针对稳定数据的连续学习模型，提出了一种混合高斯模型的端到端融合方法，并在内部空间进行联合优化和调整，同时证明了该模型在基于图像分类问题上的竞争力。
Jul, 2023
本文提出了一种基于高斯模型的特征分布参数估计方法，通过估计类间条件密度之间的距离实现对于少样本分类任务中泛化误差的预测，并在实验中表明该方法优于 leave-one-out cross-validation 等传统方法。
Dec, 2022
本研究提出了一种基于大边界高斯混合（L-GM）损失函数的深度神经网络分类方法，相较于常规的 softmax cross-entropy 损失函数，通过加入分类边界和似然正则化，提高了分类准确性以及对于训练特征分布的建模精度，可以用于区分异常输入如对抗性样本等。经过 MNIST、CIFAR、ImageNet 和 LFW 等基准测试和对抗性样本测试，证明了本方法的有效性。
Mar, 2018
本文提出一种最大间隔分类器 SVM-GSU，使用多维高斯分布描述每个训练样本，以处理数据输入中的不确定性，并使用随机梯度下降方法高效地解决凸优化问题。通过测试，证明该方法的有效性。
Apr, 2015
提出了一种基于高斯混合模型的复合批量归一化方法来解决长尾数据分布下神经网络中特征标准化的问题，并通过使用类感知分裂特征标准化的双路径学习框架来多样化估计高斯分布，以更全面地适应训练样本的处理方式。在多个普遍使用的数据集上的广泛实验表明，该方法在长尾图像分类上优于现有方法。
本文提出了一种基于改进的 softmax 似然函数的新的可扩展的多类高斯过程分类方法，该新似然函数具有两个好处：它可以导致良好校准的不确定性估计，并允许有效的潜变量扩充。该模型通过块坐标升高更新实现了快速的变分推断方法，具有快速的条件共轭性，既可以实现不确定性校准，又可以实现速度。我们的实验表明，与现有技术相比，我们的方法在具有良好校准的不确定性估计和具有竞争预测性能的情况下，可以快两个数量级。
May, 2019
本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。
Aug, 2018
提出了一种基于高斯混合模型和简单的多尺度表示的自然图像的概率模型，并展示了这种模型能够生成具有有趣的高阶相关性的图像，并在评估方面表现出到目前为止最好的性能，这是基于平均对数似然度高度相关的一种衡量方式。
Sep, 2011
本研究提出了一种翻译不敏感的卷积核，并将高斯过程重新制定为多输出高斯过程，以实现深度卷积高斯过程。实验证明，与使用 dropout 的贝叶斯深度学习方法相比，我们的全贝叶斯方法在不确定性和边际似然估计方面的性能有所提高。
Feb, 2019
提出了一种基于多维高斯混合分析卷积的深度学习方法，该方法通过高斯混合卷积核和数据产生多个特征通道，使用高斯混合拟合来代替传统的转移函数（如 ReLU），并在适当减少高斯混合成分数量的情况下进行汇集，基于该架构的网络在封装 MNIST 和 ModelNet 数据集的高斯混合物上达到了竞争性的准确性。
Feb, 2022