本文解决了高维度任意固定数目成分的高斯混合分布在多项式学习方面存在问题的问题，提供了降维方法来将学习高维混合分布降至低维学习问题，并利用实代数几何学工具提供了多项式族分布的学习方法。

Apr, 2010

提出了一种高度有效的算法，该算法能够学习近似于分段多项式密度函数的单变量概率分布，并应用于密度估计问题，涉及混合对数凹分布、混合$t$峰态分布、混合单峰风险率分布、混合二项式泊松分布、混合高斯分布和混合$k$单调密度等问题。

May, 2013

本文介绍了一种基于矩估计的计算方法，并应用新颖且简单的降维技术将上界推广到任意维数$d>1$，同时发现了一些样本复杂度较小的特殊情况，同时我们的结果也适用于在总变异距离上学习混合物的每个组件，其中我们的算法显著提高了样本复杂度。

Apr, 2014

在高维情况下，使用平滑分析方法可以在多项式时间内使用多项式数量的样本学习带有随机扰动参数的高斯混合模型, 通过利用高斯分布的高阶矩的组合结构并推导其对称性，探索新的高斯混合物的时刻张量的分解方法以及构建结构化随机矩阵的奇异值的下界。

Mar, 2015

设计了一种新的快速算法，用于对分段多项式函数进行密度估计，该算法具有采样最优和近线性时间的估计能力，并且在实践中表现良好。

Jun, 2015

该研究提出了一种高效的算法，利用截断样本可以无限精确地估计多元正态分布的参数，前提是拥有样本集的访问权，并且该样本集存在具有非微不足道的测度。

Sep, 2018

提出了一个将差分隐私统计估计转化为无差分隐私的框架，并给出了用于学习高斯分布和鲁棒学习高斯分布的多项式时间差分隐私算法，该方法中学习高斯分布的样本复杂度和已知的信息论样本复杂度的上限相匹配，并且还证明了相似的结果，其中鲁棒学习高斯分布的样本复杂度更低。

Nov, 2021

在本文中，我们提出了一种新的损失函数和一种计算高效的估计器，它在温和条件下是一致且渐近正态的。我们将我们的方法视为同一类指数族的重新参数化分布的最大似然估计，并证明我们的估计器可以解释为最小化特定的Bregman得分以及最小化代理似然的实例。同时，我们还提供了有限样本保证，以在参数估计中实现误差（在ℓ₂范数中）为α，样本复杂度为O(poly(k)/α²)。当定制为节点稀疏马尔可夫随机场时，我们的方法实现了O(log(k)/α²)的优化样本复杂度。最后，我们通过数值实验展示了我们估计器的性能。

Sep, 2023

在截断设置下，通过统计查询(SQ)下界和超多项式的信息计算差，我们研究了估计截断恒等协方差高斯分布的均值问题。

Mar, 2024

给出了一个新的学习高斯混合模型的算法，其目标是通过扩散模型中的得分函数以及多项式回归来高效学习混合高斯分布，对于具有最小权重假设的情况下，计算出来的误差和时间复杂度具有准多项式级别的优势，并扩展到具有支持在常数半径范围内的多个球的混合高斯的情况。

Apr, 2024