- ICML具有确定等效 EM 的部分观测系统的可扩展识别
本文介绍了利用欧几里德最大化的确定性等效逼近作为块坐标升方法的离线识别部分非线性系统的方法，通过试验验证该方法可靠且可扩展，可用于常见于机器人学中的高维确定性系统识别。
- Einsum Networks: 可计算概率电路的快速可扩展学习
本文提出了基于 Einsum Networks 的概率电路模型实现，通过简化 Expectation-Maximization 算法的实现以及在数据集上的应用来提高其可扩展性，并且作为一种忠实的生成图像模型。
- ECCV基于期望最大化多示例学习的弱监督行为定位
本研究提出了一种基于 EM-MIL 的方法，显式建模了弱监督下动作定位的关键动作片段分配，采用期望最大化算法迭代优化下限，实现了在 THUMOS14 和 ActivityNet1.2 数据集上最先进的表现。
- 多视点集期待最大化配准
本篇文章提出了基于最大期望算法的多视角点集注册方法，通过利用高斯混合模型描述点云数据分布并定义最大似然估计函数，实现了高精度、高鲁棒性、高效率的点云多视角重建。
- ICML高斯混合模型的量子期望最大化
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。
- 基于期望最大化算法的弱监督和半监督物体检测
本研究使用深度卷积神经网络结合期望最大值方法解决仅提供图像级标签时的目标检测问题，在 PASCAL VOC 2007 基准测试集中，实验结果表明，我们的方法在弱监督下，较现有最先进方法有明显的性能优化，并且在使用少量实例标注图片的情况下，基 - 基于自下而上和自上而下的线索进行弱监督语义分割
本研究提出一种使用 CNNs 结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在 PASCAL VOC 2 - EM 算法在两个高斯混合模型中的十步成功
利用无限多样本的总体版本，我们为具有已知协方差矩阵的两个高斯混合物提供了全局收敛保证，并为收敛速率提供了简单的封闭型表达式。
- 基于 Patch 的卷积神经网络用于全切片组织图像分类
通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。
- 基于混合高斯拉普拉斯混合模型推导的 Fisher 向量与图像标注
采用新的混合模型及 Fisher Vectors 方法，取得了在图像标注和图像搜索任务中的最佳结果。
- KDD高斯混合模型的自适应种子
我们提出了用于多元高斯混合模型期望 - 最大化算法的新初始化方法，这些方法是 K-means++ 初始化和 Gonzalez 算法的改进。我们的方法旨在弥合简单随机和高度依赖超参数选择的复杂方法之间的差距，并且我们的广泛实验表明：与将原始 - 聚类中的硬聚类和软聚类方法的信息论分析
本文通过信息论分析研究了几种不同的分配方法，包括 “硬分配” 和 “软分配”，发现 K-means 和 EM 算法之间的系统差异。同时提出了一种后验分配方法，与 EM 的 “软分配” 相似，但具有截然不同的算法。
- 广义 Bradley-Terry 模型的高效贝叶斯推断
本文介绍及拓展 Bradley-Terry 模型，研究最大似然估计与 Bayesian 推断方法，并提出一种基于隐变量的 EM 算法与 Gibbs 采样算法，从而有效地应用于多种应用场景中。
- 极限反卷积：从嘈杂、异构和不完整的观测中推断完整的分布函数
扩展高斯混合模型及 EM 技术，推广至带有不确定性协方差及缺失数据属性的数据点集，使用共轭先验和分离合并算法避免局部最优解，应用于 Hipparcos 卫星测量的二维星速数据，推断星体三维速度分布的算法。