本文提出了两种基于新定义的正则化拉普拉斯矩阵的算法，用于估计分类数据的潜在类模型。我们在考虑稀疏性参数的基础上，通过理论收敛速度证明了我们的算法在温和条件下能稳定产生一致的潜在类分析结果，并提出了根据这一度量指标设计的若干程序来推断实际分类数据中应使用的潜在类的数量。通过广泛的模拟实验证实了我们算法的效率和准确性，并进一步将它应用于实际分类数据，取得了令人满意的结果。

Oct, 2023

该研究介绍了一个名为 lcmm 的 R 包，该包提供一系列函数，能够基于线性混合模型理论来估计多种数据模型，其中包括了高斯纵向结果 (hlme)、曲线和有序单变量纵向结果 (lcmm)、曲线多变量结果 (multlcmm)、联合潜在类混合模型 (Jointlcmm) 等；该包还提供最大似然估计函数，以及可能包括其负数的二次导数基于参数和似然稳定性的严格收敛标准；此外，该包还提供多种与后拟函数有关的函数，如拟合度分析、分类、预测轨迹、个体动态预测和预测精度评估等，该文实际上是该包的同伴文件，旨在通过数据集的实际示例等方式，介绍每个数据模型的家族、估计技术和一些实施细节。

Mar, 2015

提出了一种基于知识图谱关系的潜在关系语言模型 (Latent Relation Language Models, LRLMs), 该模型不仅能提高语言建模性能，还能添加实体跨度的后验概率，实验结果表明该模型的性能优于基准模型和之前的知识图谱信息存在的模型，定性分析进一步证明了所提议的模型在上下文中预测适当的关系的能力。

Aug, 2019

提出了一种基于特征函数的线性特征模型（LCM），利用稳定分布计算在图形模型中存在的重尾分布下的精确和近似推理，该模型不局限于稳定分布，并可适用于离散、连续或混合随机变量。

Aug, 2010

介绍了一种将可逆神经网络引入到线性核关联模型中，以便更好地处理非线性问题，并有效地利用空间相关性，表现出了 40％左右的最大改进，并胜过其他最先进的空间场模型。

Mar, 2022

本文提出新的精确的提升推理算法，用于关系连续模型，能够有效地推断大规模真实应用的模型；该算法处理连续域变量时，改进了传统方法的效率，在高斯概率下算法时间复杂度达到线性级别，并且是第一个通过提升方式处理关系连续模型的精确推理算法；文章通过实验验证表明，该算法性能优于基础推理算法和其他已知的提升方法构建的算法。

Mar, 2012

采用基于选择建模的上下文重复选择（CRS）模型，结合多模态模型，提供了生成丰富的排名空间的工具，同时使用结构相关的尾部风险和期望风险界限，对该模型的最大似然估计提供了严格的理论保证，并且在多项式逻辑选择模型（MNL）和 Plackett-Luce（PL）排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法，包括比赛和排名投票。

Dec, 2023

在本研究中，通过对线性协同关联模型（LMC）进行扩展和参数化，我们证明了只需要对噪声模型做一个温和的假设，即可实现高效的 LMC 的精确计算，从而使其成为目前最先进模型的可靠且简化的替代品，极大地方便了一些计算，如留一法交叉验证和虚构。

Oct, 2023

该研究提出了一种标签混淆模型作为当前流行的文本分类模型的增强组件，可以通过在训练期间计算实例和标签之间的相似性来捕获标签之间的语义重叠，从而生成更好的标签分布以取代原始的 one-hot 标签向量，以提高最终的分类性能。

Dec, 2020

本文提出了一种基于对比学习的框架，通过引入对比潜变量来改进能量基模型的训练，设计一种新类的潜变量 EBMs 实现数据联合密度估计和对比潜变量的联合训练，实验结果表明该方案比现有的 EBM 方法（如变分自动编码器或扩散技术）具有更低的 FID 分数，训练速度更快、内存效率更高，并展示了该潜变量 EBMs 的条件和组合生成能力。

Mar, 2023