- 鲁棒聚类中的一些问题
对于基于高斯混合模型的鲁棒聚类，讨论了一些关键问题，包括异常值的正式定义，异常值和聚类之间的歧义，鲁棒聚类与聚类数量估计之间的交互作用，鲁棒聚类（不仅仅是）对调整决策的重要依赖，以及现有的聚类稳定性度量在处理异常值时的缺点。
- 深度学习网络在图像生成中是否必要？
该研究通过验证图像遵循高维分布的假设，利用高斯混合模型（GMM）和 SVD 降维的方法，探讨了不使用深度学习网络进行图像生成的可能性，并表明相比于使用深度学习网络方法，该方法具有更强的可解释性和良好的性能。
- 高斯混合模型和神经网络的高效一次迭代学习算法
本文提出了一种基于高斯混合模型（Gaussian Mixture Model，GMM）的学习算法，相比经典的期望最大化（Expectation Maximization，EM）算法，该算法具有更高的鲁棒性和简易性，提高了准确性，仅需 1 次 - 使用 BGRU 和 GMM 改进深度吸引网络用于语音分离
提出了一种使用双向门控神经网络（BGRU）来简化和增强深度吸引子网络（DANet）模型的方法，使用高斯混合模型（GMM）作为聚类算法，以降低复杂度并提高学习速度和准确性。对 TIMIT 语料库中的混合语音数据集进行了实验评估，该模型在 SD - 变化检测的隐式神经表示
基于 3D 空中 LiDAR 点云对比的无监督方法，使用神经场和高斯混合模型进行形状重建和变化分类，对多种场景进行了对比实验并在联合度量上实现了 10% 的改进，同时在考古领域的非法挖掘识别实验中也取得了一致结果。
- 高斯混合下的长尾理论
我们提出了一个简单的高斯混合模型用于数据生成，符合 Feldman 的长尾理论（2020）。我们证明了在线性分类器中，在所提出的模型中无法将泛化误差降低到一定水平以下，而具有记忆能力的非线性分类器可以做到。这证实了对于长尾分布，必须考虑到罕 - 正则化 EM 算法
本文提出了一种基于 EM 算法的正则化版本，该方法可高效地利用先验知识来应对样本数据较小的情况，并通过收缩估计量以实现正定的协方差矩阵更新，从而改善 EM 算法在 Gaussian 混合模型（GMM）处理中的性能问题。此外，基于真实数据的实 - 探寻生成式数据增强的本质
研究表明，生成数据增强应用于特定学习任务时，如（半）监督学习，少样本学习和敌对鲁棒学习等，可以提高分类性能。本文深入研究了生成数据增强在非独立同分布设置中的表现，证明了其学习速度可以更快，而且在训练集较小的情况下可以提高学习保证级别。
- 学习半监督高斯混合模型以用于泛化类别发现
该论文提出了一种 EM-like 框架，基于半监督的高斯混合模型，利用渐进式的原型对比学习进行表征学习，并采用聚类分配实例，从而解决不知道类数的广义类别发现问题，并在分类和物体识别上取得最先进的性能。
- CVPR带有噪声标签的双对比学习
本文提出了 TCL 模型，通过 Gaussian mixture model 等技术处理嘈杂标注数据，采用 mixup 和 contrastive learning 等方式学习鲁棒性特征表示和分类，实验结果显示 TCL 在多个数据集上具有优 - AAAI通过基于熵的去偏差去噪声的方法进行去噪声：一种鲁棒的训练方法，用于具有嘈杂标签的数据集偏差
研究旨在提出一种名为 DENEB 的方法，通过 Gaussian Mixture Model 选择偏见对齐的数据，使用基于熵的采样概率来训练最终模型，此方法在多个基准测试上实现了更好的去偏置性能。
- CVPRDiffPose: 3D 姿态估计更可靠的方法
提出一种新颖的姿态估计框架 (DiffPose)，基于扩散模型将 3D 姿态估计描述为一个逆扩散过程，并引入了姿态特定初始化、基于高斯混合模型的前向扩散过程和上下文条件的逆扩散过程等新设计来促进扩散过程，相比现有方法在 Human3.6M - 生成模型和判别模型在异常检测中的连接
提出了一种新的透视角度，找出了生成模型异常检测中的问题，并建议整合判别模型以解决多峰分布问题，从而提高异常检测方法的性能。
- 事件触发时间序列的任务感知相似度学习
该研究旨在开发一种无监督学习框架，能够在未标记的事件触发时间序列中学习任务感知的相似性，该框架利用多尺度自编码器和高斯混合模型有效地学习时间序列的低维表示，得到的相似度量易于解释，通过广泛的实验表明，该方法明显优于现有的方法。
- 通过潜空间密度估计进行元学习以进行超出分布检测
该研究提出了一种简单而有效的元学习方法，将神经网络用于小数据量的内部分布中，通过概率密度估计在潜空间中检测 OoD，并使用高斯混合模型进行密度估计，通过最大化 likelihood 来适应每个任务中的内部分布数据，并在六个数据集上展示了该方 - CVPRCREAM: 通过类别 RE - 激活映射实现弱监督目标定位
本文提出一种基于类聚合的新型方法 - Class RE-Activation Mapping (CREAM)，并使用 CAM-guided momentum preservation 策略学习上下文嵌入时，利用高斯混合模型推导出一种无监督的 - 一种无偏对称矩阵估计器，在部分可观察性下进行拓扑推断
该研究提出了基于矢量自回归模型的无偏估计方法和高斯混合模型算法，用于在节点信息部分观察的情况下推断网络拓扑结构，数值实验结果表明该算法在小样本情况下具有更好性能。
- 混合拉普拉斯逼近以改善深度学习后验不确定性
本文介绍了一种基于高斯混合模型后验的预测方法，通过对独立训练的深度神经网络的拉普拉斯近似加权求和，可以缓解深度神经网络对离群值的过于自信预测问题，并在标准不确定性量化基准测试中与最先进的基准进行了比较。
- EMNLP使用高斯混合模型建模 Neural Machine Translation 的集中交叉注意力
本研究提出了一种新的交叉注意力方法 —— 集中注意力，并使用高斯混合模型 (GMM) 进行建模，实验证明该方法在机器翻译中具有明显的性能优势，尤其在对长句的处理、对齐质量和 N 元准确性方面取得了显著的提升。
- 异构轨迹预测的无限邻域交互
本研究提出了一种基于无限邻域交互网络的异构多类别交通态势预测方法，通过适应各种交互要素生成混合特征，并通过高层级图注意力模块实现类别间和代理间的交互，从而提高了预测性能。