- 混合有向无环图中的干预因果发现
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务，本文提出了匹配性的必要和充分条件以及一种自适应算法，用于学习混合因果模型中的所有真实边，具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
- ICLRDINO 作为 von Mises-Fisher 混合模型
DINO-vMF 使用混合模型的方法改进了 DINO 的集群分配概率计算，对于较大的 ViT-Base 模型也更加稳定且在各种下游任务中表现更好，提供了更好的图像表示。
- 基于势能的噪声标记学习混合模型
基于潜在能量的混合模型（PEMM）用于噪声标签学习，通过将深度学习骨干与我们提出的分类器相结合，可以得到具有更好特征表示和优越噪声容忍性的鲁棒网络。
- TERM 模型：张量环混合模型密度估计
通过采用张量环分解减少排列候选数量、增强表达能力，结合自适应权重的混合模型，将其与集成学习相结合的新方法在概率密度估计和采样中显示出优越性。
- Learn2Extend: 通过混合模型保留序列的统计特性来扩展序列
该论文研究了使用机器学习扩展有限实数序列的挑战，通过应用深度学习方法提出了一个自回归序列扩展混合模型 (SEMM)，并通过比较实验和案例研究证明该模型在保留统计特性的序列扩展中优于传统神经网络架构。
- 隐式内生性条件下基于密度匹配的合成控制方法
现有的合成控制方法 (SCMs) 存在内隐内源性问题，本研究基于密度匹配提出了一种新的 SCM 方法，通过匹配处理结果矩和未处理结果矩的加权和来估计 SC 权重，该方法具有无偏性、降低均方误差以及生成完整治疗效应密度的优点。
- Simplex 自编码器
基于 Autoencoder 模型的 latent space，我们提出了一种新的方法，将其建模为一个 simplex，从而为确定混合模型中成分的数量提供了一种新颖的启发式方法。利用概率质量函数的抽样方法，我们在 MNIST、CIFAR-1 - 基于混合模型的进化策略用于大规模优化
这项工作提供了一种有效的 CMA-ES 协方差矩阵适应进化策略的抽样方法，采用混合模型生成变异向量，简化了数量庞大的实验中寻优问题的复杂性。
- 混合分布下的联邦多任务学习
该研究提出了一种基于混合模型假设的联邦多任务学习方法，该方法可以在设备上学习个性化模型并实现客户端和服务端两种架构下的联邦 EM 算法的收敛，同时在联邦学习基准测试中获得了更高的准确性和公平性。
- CVPR学习准确的密集对应关系及其可信度
提出了一种基于概率的方法，通过学习流场预测和不确定性，建立两幅图像间的密集对应关系，同时估计像素级置信度和可靠性，通过受限混合模型等方法建立更好的流预测和异常点建模，通过实验证明该方法在多个具有挑战性的几何匹配和光流估计数据集上具有最先进的 - 基于混合特征空间学习的少样本图像分类
该研究提出了一种混合模型特征空间学习方法，即在网络训练过程中以在线形式同时训练特征提取器和混合模型参数，以实现富有、强健的特征表示，并通过实验证明了该方法的有效性及其在少样本学习领域的优越表现。
- ICML度量和减轻结构异常最大似然估计的偏差
本文讨论了异常估计的问题，提出了一种新的混合模型的异常估计方法，并给出了其与 MLE（最大似然估计）在疾病爆发和高速公路交通数据上表现的对比。
- VAMANA：仅做最小假设的二进制黑洞族群建模
本文介绍了使用混合模型重建二进制黑洞种群的 VAMANA，并使用模拟数据验证了其鲁棒性，同时使用公开可用的引力波观测目录展示了二进制黑洞的质量、自旋分布和估计的合并速率。
- ICLR无强度学习时空点过程
研究如何通过直接建模条件插值时间的条件分布来克服强制使参数化强度函数的局限性，并提出了一个简单的混合模型，其匹配了基于流的模型的灵活性，但也允许闭式采样和计算矩，该模型在标准预测任务中表现出最先进的性能，适用于学习序列嵌入和填补缺失数据等新 - WSDM利用潜在状态建模电子邮件打开时间及用户参与水平
本文介绍如何利用生存分析框架来预测电子邮件收件人打开邮件所需的时间，通过 Cox 比例风险模型和混合模型进行模型训练，并和传统分类和回归模型进行对比，在实际的市场营销数据中取得了最佳的精度表现。
- 学习平滑乘积分布混合模型：可识别性和算法
本研究提出了一种基于正交低秩张量分解的非参数混合模型理论，并研究了利用该理论恢复混合组分分布的问题。
- NIPS混合加性噪声模型的因果推断与机制聚类
本文提出一种基于混合模型的 Additive Noise Model (ANM)，并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束，可用于根据混合模型的生成机制 - 变分记忆编码器 - 解码器
本文介绍了通过使用外部记忆的混合模型 —— 变分记忆编码器 - 解码器（VMED），在保持一致性的同时引入变异的方法来生成对话中的话语。在各种对话数据集上的实验证明，VMED 在指标和素质评估方面均取得了显著的改进。
- 学习多义词嵌入的混合模型
使用混合模型来学习多感知词嵌入，取得了比以前更好的效果。
- AdaGAN：提升生成式模型
该研究使用增量算法 AdaGAN 训练 Generative Adversarial Networks（GAN）来解决 GAN 模型中出现的 missing modes 问题，并且证明了当每一步是最优的时候，这种增量方法可以在有限步数内收敛