- 扩散高斯混合音频降噪
提出了一种 DiffGMM 模型，它是基于扩散和高斯混合模型的去噪模型。通过反向过程估计高斯混合模型的参数，从而近似真实噪声分布，并通过连续减去估计的噪声来输出清晰的音频信号。广泛的实验结果表明，所提出的 DiffGMM 模型达到了最先进的 - 高维情况下分类重叠的高斯混合模型：从最优分类器到神经网络
高维重叠高斯混合模型 (GMM) 数据的二元分类的贝叶斯最优决策边界的闭合表达式会根据类协方差的特征结构而变化。通过对由真实数据启发的合成 GMM 数据进行的实验，我们从经验上证明了深度神经网络在分类训练中学习预测器可以近似得到最优分类器。 - 超参数化领域中 “重要性加权” 估计器的离群错误的尖锐分析
我们研究了一个过参数化的高斯混合模型，结合了 “重要性权重”，对一个插值解的内分布和外分布的测试误差进行了严格的分析，发现了最坏情况下分布偏移鲁棒性和平均准确度之间的新的权衡关系。
- 利用生成先验增强量化系统中的信道估计
通过利用高斯混合模型作为一位量化信号传导环境的通道分布的生成先验，我们提出了一种改进基于期望最大化算法的经典估计技术的方法，借此提高量化系统中通道估计的性能表现。数值结果表明，我们提出的方法相较于简单的高斯先验和当前最先进的通道估计器，具有 - 深高斯混合模型用于无监督图像分割
使用深度学习、高斯混合模型和卷积神经网络方法，本研究提出了一种可以快速预测标签概率的图像分割方法，并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点，通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。
- 半监督学习在不确定标签情况下的渐近贝叶斯风险
在高斯混合模型上考虑半监督分类设置，其中数据并不像通常那样严格标记，而是具有不确定的标签。我们的主要目标是计算该模型的贝叶斯风险，并对该模型的贝叶斯风险和已知的最佳算法进行比较。这种比较最终提供了对算法的新见解。
- 学习高斯表示的眼球注视预测
通过引入高斯表示来建模眼球注视，我们设计了包含多个高斯分布组件的眼球注视地图混合模型，使得模型对注视的随机性更加稳健，并基于轻量级框架实现了实时注视预测。
- 通过去噪分数匹配实现多尺度对数密度估计的视频异常检测
我们提出了一种新颖的视频异常检测方法：将从视频中提取的特征向量视为固定分布的随机变量的实现，并用神经网络对该分布进行建模，以便估计测试视频的可能性并通过阈值法检测视频异常。我们使用一种改进的去噪得分匹配方法来训练视频异常检测器，该方法通过向 - 少数群体比例促进对泛化的影响：一层隐藏层神经网络在群体不平衡情况下的理论研究
组不平衡在实证风险最小化（ERM）中是一个已知的问题，这篇论文通过高斯混合模型定量分析个体组对样本复杂度、收敛速度以及测试性能的影响，提供了 ERM 组级泛化的首个理论分析，并验证了理论结果在合成和实际数据集上的有效性。
- 使用紧凑的内部表示进行无监督领域适应
通过将源领域和目标领域的数据点映射到共享嵌入空间中，训练映射编码器使嵌入空间变得与领域无关，从而使在源领域上训练的分类器能够在目标领域上很好地泛化。为了进一步提高无监督领域适应 (UDA) 的性能，我们提出了一种降低源领域内部分布紧密度的技 - 基于内部表示的在线连续域适应语义图像分割
本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我 - 在线实验中持续时间推荐的效应大小估计：利用层次模型和客观效用方法
基于数据驱动的在线实验，提出了两种方法：使用考虑实验差异性的三层高斯混合模型来估计期望效应大小，以及基于效用理论来确定最佳效应大小，通过与基准方法的比较，表明了这些方法的卓越性能。
- 基于噪声分布分解的多智能体分布式强化学习
该论文提出了一种基于分解的多智能体分布式强化学习方法，通过将全局共享的嘈杂奖励近似为高斯混合模型并将其分解为各自分布式本地奖励的组合，从而使每个智能体能够通过分布式强化学习进行局部更新。
- 改进的 DDIM 采样与矩匹配高斯混合模型
使用高斯混合模型（GMM）作为 Denoising Diffusion Implicit Models（DDIM）框架中的反向转换操作符（核），通过约束 GMM 的参数来匹配 DDPM 前向边际的一阶和二阶中心矩。通过 FID 和 IS 度 - 基于对象的学习与槽混合模块
本研究提出一种基于高斯混合模型的可学习聚类方法，将物体中心化情景建模，显著优于 Slot Attention 方法，在集合属性预测任务中取得了最先进的效果。
- 多状态脑网络发现
该研究论文介绍了一种新的模型 MNGL（Multi-state Network Graphical Lasso），通过将 CGL（coherent graphical lasso）与 GMM（Gaussian Mixture Model）相 - 通过使用高斯混合模型和遮蔽自回归流进行概率分类
使用密度估计方法的分类器通过使用高斯混合模型和掩码自回归流等方法来建模数据的类别似然度，优于仅使用单个高斯分布的简单分类器。这项研究为提出其他基于联合密度估计的概率分类器打开了研究之门。
- 轻量级薛定谔桥
在计算薛定谔桥（SB）领域中，通过参数化薛定谔势能和将对数薛定谔势能视为能量函数的智能组合，我们提出了一种新颖的快速简洁的 SB 求解器，该求解器是一个轻量级、无需模拟且理论验证的求解器，适用于中等维度的 SB 问题。
- 无监督学习纳米压痕数据以推测复杂材料的细微结构细节
通过纳米压痕研究了 Cu-Cr 复合材料，使用无监督学习的高斯混合模型分析大量数据集，确定了多个机械相和相应的机械性能，并引入交叉验证方法来解决在材料科学机器学习中常遇到的数据数量和可靠预测问题。
- 通过弹性动态系统运动策略实现具有稳定性保证的任务泛化
弹性动态系统（Elastic-DS）是一种新颖的基于动态系统的学习与泛化方法，将任务参数嵌入到基于高斯混合模型（GMM）和线性参数变化（LPV）动态系统的公式中，并通过弹性高斯混合模型与 Laplacian Editing 的转换重新估计