- 鉴别性总变差距离估计：生成数据的保真度稽核器
本文基于判别性方法提出了一种评估生成数据保真度的方法，利用总变差距离作为有效的度量。通过定量地表征两个分布分类的贝叶斯风险和它们的总变差距离的关系，实现了总变差距离的估计。特别地，本文建立了关于两个高斯分布总变差距离估计误差收敛速率的理论结 - 通过插值进行推理：对比表示可证明地实现计划和推理
给定时间序列数据，本论文展示了如何利用对比学习获得紧凑的、闭合形式的解来回答 “未来会发生什么？” 和 “我们是如何到达这一点的？” 这些概率推断问题在高维观测时很具有挑战性。我们通过对时间序列数据应用一种变体的对比学习方法来实现这些问题的 - 高维超统计特征分类
研究在高维情况下通过经验风险最小化学习具有通用质心的两个数据点云的特征，涵盖了大量的数据分布，包括高斯混合分布和幂律分布，并分析了通过正则化的作用，推导了估计器的泛化性能，并探究了分布尺度参数对可分离性转换的影响。
- 扩散模型的数学
该论文通过高斯分布得出扩散模型的微分方程和似然函数，分析了前向和后向随机微分方程及似然函数的变分自编码器和分数匹配方法，得到了反扩散常微分方程和基于噪声级别参数化的一族反扩散随机微分方程。
- ICCVGeomNet: 一种基于对称正定矩阵空间和 Cholesky 空间上的 Riemannian 几何的神经网络，用于 3D 骨架交互识别
提出了一种基于高斯分布和李群、黎曼对称空间的新方法，可用于表示和分类二人互动的三维骨架序列，并在三个三维人体活动理解基准测试中取得了有竞争力的结果。
- 学习高斯及更高模型的私有与多项式时间算法
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 - 关于学习单周期神经元的加密难度
研究展示了学习单个周期神经元在等向高斯分布中存在噪声时的加密难度，提出了正确性证明，同时证明具有显著普适性，可应用于各种多项式时间算法，并且噪声对这种难度结果的必要性得到了证明。
- Bures-Wasserstein 流形上的平均值：梯度下降的无维度收敛
本研究探讨了一阶优化算法，用于计算高斯分布在最优输运度量下的质心，提出了新的测地线凸性结果和收敛率，能够更好地控制迭代，解决了 Riemannian GD 收敛慢的问题，并为与其相关的两种平均计算提供了理论依据。
- 高斯边界框和概率交并比在目标检测中的应用
本文探索一种使用高斯分布对物体区域进行模糊表示的方法，并提出了一种基于 Hellinger 距离的相似性度量方法，它可以被视为概率交集（ProbIoU），该方法在公开数据集中更接近于带注释的分割掩模。实验表明，基于 ProbIoU 的损失函 - 众包计数的不确定性估计和样本选择
本文提出了一种基于图像的人群计数方法，可以预测人群密度地图以及与预测密度地图相关的不确定性值，并开发出卷积神经网络架构来预测这些分布，通过使用高斯分布对人群密度值进行建模来获得预测不确定性，并开发了样本选择策略以减少适应计数网络所需的人工注 - 重新审视近端策略优化中的设计选择
本文介绍了 Proximal Policy Optimization (PPO) 算法，探讨了算法的设计和实现，指出了标准实现方式中存在的三个失败模式，提出了替代方案。同时，本文认为我们应该注意算法的设计与模拟环境之间的关系。
- 不强制无环的情况下学习有向无环图 (DAGs)
本文章通过 L1 正则化优化的稀疏矩阵分解方法，得到逼近 DAG 的图结构，避免了传统结构学习算法在组合复杂度方面的缺陷。
- ECCV无监督人员再识别的全局距离分布分离
本文提出了一种通过全局距离分布约束的无监督 ReID 方法，该方法采用动量更新机制构建和维护距离分布参数，并通过分布硬采样来促进两个分布的分离。实验结果表明，该方法在多个 ReID 基准数据集上表现出了显著的改进，并实现了最先进性能。
- MMSchoenberg-Rao 距离：基于熵和几何的统计希尔伯特距离
本文研究了一类统计希尔伯特距离，称为 Schoenberg-Rao distances，引入了一种原则性的构建条件负半定核函数的方法，推导了混合高斯分布的新闭合形式距离，是 Wasserstein 距离的实用替代方案，并在密度估计、生成建模 - MM学习映射到正则化潜空间以进行生物识别认证
提出了一种基于深度神经网络的通用生物识别身份验证新架构 RegNet，将授权和未授权的用户映射到两个不同的高斯分布中，并通过学习映射而避免典型分类器中的边界复杂和难以分析的问题，实验证明该系统在安全度量方面具有很高的性能。
- ARMDN：用于电商需求预测的联合与循环混合密度网络
本研究提出了一种称为 AR-MDN 的神经网络结构，该结构能够同时模拟关联因素、时间序列趋势和需求方差，为在线零售组织提供精确的需求预测，同时也在消除需求方面存在的问题方面获得了显著的改进和提高。
- EMNLP使用混合密度网络对地理定位和词汇方言学进行位置的连续表示
本文提出了一种基于神经网络模型和高斯分布混合的方法，用于将二维位置嵌入到连续向量空间中。该模型包括两个变体，用于基于文本的地理定位和词汇方言学。在 Twitter 数据上进行评估，该模型优于传统的基于回归的地理定位，并提供更好的不确定性估计 - 黎曼对称空间上的高斯分布：结构化协方差矩阵的统计学习
本文提出了一种新的概率分布 —— 结构化协方差矩阵的高斯分布，以应对在计算机视觉、生物医学信号和图像处理、雷达数据处理中使用 Riemannian 几何技术处理结构化协方差矩阵的挑战。通过在 Riemannian 对称空间上发展高斯分布的原 - 天文学中的线性回归贝叶斯方法
本文介绍了一种贝叶斯分层建模方法，能够对异方差性和可能相关的测量误差以及内在离散度进行建模，同时完全考虑时间演化，并且该方法可处理独立变量的波动，选择效应和非线性偏离等问题；通过仿真模型测试了该方法并提供了 R 软件包 LIRA 用以进行回 - ICLR高斯嵌入的词表示
本文提倡使用基于密度的分布嵌入方法，并提出了一种在高斯分布空间中学习表示的方法，以更好地捕捉有关表示和其关系的不确定性，自然地表达不对称性，并使决策边界参数更有表达力。本文比较了各种单词嵌入基准测试的性能，调查了这些嵌入模型主导和其他不对称