在这项研究中，我们提出了一个新颖的、高度适应的框架 SimPro，它不依赖于对未标记数据分布的任何预定义假设。基于一种概率模型，我们创新地改进了期望最大化（EM）算法，通过明确分离条件和边际类别分布的建模来实现。这种分离在最大化阶段为类别分布估计提供了一个闭合形式的解，从而推导出贝叶斯分类器。而贝叶斯分类器则提高了期望阶段中伪标签的质量。值得注意的是，SimPro 框架不仅具备理论保证，而且易于实现。我们还引入了两种新颖的类别分布，扩大了评估的范围。我们的方法在不同基准和数据分布场景下展示了一致的最先进性能。

Feb, 2024

该论文研究了使用机器学习扩展有限实数序列的挑战，通过应用深度学习方法提出了一个自回归序列扩展混合模型 (SEMM)，并通过比较实验和案例研究证明该模型在保留统计特性的序列扩展中优于传统神经网络架构。

Dec, 2023

本文介绍了一种名为 MMM 的新型神经网络的自主学习框架，能够结合过去的时间信息和未来的已知信息进行时间序列预测，实验表明这种方法不仅胜过传统的基于样本或回归的方法，而且训练出的神经网络的推理速度与传统回归训练的时间序列预测模型相当，因此是一种比现有回归训练的时间序列预测模型更好的选择。

Sep, 2022

该研究提出一种机器学习方法 IsEM-Pro，结合潜在生成模型和马尔可夫随机场的组合结构特征，能高效地生成具有所需生物功能的蛋白质序列，相较于之前最优方法平均适应度得分高出至少 55%，并且生成更加多样和新颖的蛋白质序列。

Apr, 2023

本研究提出一种无需注释或依赖场景训练，利用深度学习进行三维物体分割的算法，通过利用单个物体形状先验信息，采用等变形状表示及新型 EM 算法进行无监督的物体分割。实验结果表明，本算法在有不同物体姿态的场景中表现一致且鲁棒性良好。

Mar, 2023

我们提出了一个非参数模型无关的框架，用于构建保险索赔的预测区间，并给出了统计保证，将分裂拟合预测技术扩展到两阶段频率严重性建模领域。通过模拟和真实数据集展示了该框架的有效性，当基础严重性模型是随机森林时，我们扩展了两阶段分裂拟合预测过程，展示了如何利用袋外机制消除校准集的需求，并能够生成具有自适应宽度的预测区间。

Jul, 2023

该研究论文讨论了使用期望最大化技术来分类文档的方法，利用半监督学习方法可以提高分类准确性，其主要优点是可以动态生成新分类。该论文使用了汽车数据集进行了实验验证。

Dec, 2011

本文提供了一个关于期望最大化 (EM) 算法应用于高维潜变量模型推断的一般理论。作者提出了一个新的高维 EM 算法，自然地融入了稀疏结构到参数估计中。基于估计值，作者提出了新的推论程序来测试假设并构建置信区间。这个算法针对广泛的统计模型，提供了高维最先进的估计和渐近推断的第一个可计算的方法。

Dec, 2014

本研究介绍了一种新的伪标记形式，作为期望最大化算法的清晰统计解释，并提出了一种基于原始伪标记的半监督医学图像分割方法 SegPL，证明了其在 2D 多类 MRI 脑肿瘤和 3D 二进制 CT 肺血管分割任务中的效力和可靠性。

Aug, 2022

本研究提出一个基于量子算法的 EM 算法版本，用于解决高维 Gaussian 混合模型拟合问题，相较于传统算法有更快的收敛速度和更高的精度，并且能够推广到指数族分布，提供同样的计算保障。

Aug, 2019