- 混合回归模型的 L1 正则化
本文针对高维数据中变量数目远远大于样本量的情况，提出了一种有限混合回归模型。针对此类模型中的非凸问题，本文提出了一种 l1 - 惩罚最大似然估计方法，并使用有效的 EM 算法进行求解，同时也给出了一些渐近理论和预测间隔。
- 关于 EM 算法及其近端推广问题
本文从邻近点算法的角度分析了著名的 EM 算法，研究了 EM 过程的新类型泛化 ——Kullback-proximal 算法，并对聚类点的情况进行了详细分析，尤其是当一些聚类点位于参数空间边界上时。
- 混合模型的逐分量 EM 算法
本文通过提出一种分量依次更新参数的 Component-wise EM 算法，并将其解释为一种近端点算法，以此证明其收敛性。通过数值实验，比较了本算法，EM 算法和 SAGE 算法的性能表现。
- 缺失数据的块条件随机模型
本文介绍了几种缺失数据处理方法，其中介绍了 EM 算法和基于联合概率分布的模型，提出了 block-sequential 模型，其中的 block-conditional MAR 模型能通过舍弃部分数据实现一致估计，并提供了多项式分布和指数 - EM 类型算法学习主动基模型
介绍 EM 算法在非全监督学习中创建目标物体图像模板的应用，使用局部、延伸和定向的小波元素和迭代步骤分别进行自监督和监督学习来学习和识别物体。
- 多维对数凹密度的最大似然估计
本文提出了一种用于估计对数凹密度函数的最大似然估计方法，该方法利用了计算几何和 Shor 的 r 算法，具有自动化和无需参数选择等优点，并证明了其表现优于基于核的方法，可用于有限混合物拟合。
- 学习分离非球形高斯混合物
本文提出了一种可以在多项式时间内确定高斯混合分布的组成部分的算法，其核心是 “距离集中” 结果，使用等周不等式，它们建立了根据混合分布生成的两个点之间的距离的概率分布的界限，同时还形式化了将高斯混合拟合到非结构化数据的最大似然问题。
- 非负矩阵分解与 I - 散度交替最小化
本文研究非负矩阵因式分解（NMF）问题，提出了基于 I-divergence 的非负矩阵近似分解方法，使用类 EM 算法进行迭代，并探讨了其稳定性及与原型分析（Archetypal Analysis）的联系。
- 具有头部词汇的 PCFG 进行情感诱导
该研究采用词汇化的概率上下文无关文法和改进的 EM 算法从 5,000 万个单词的文本语料库中学习词汇，评估结果表明该模型可以准确地产生框架分布。