高斯混合模型
由多个高斯分布加权混合而成的概率模型，用于建模复杂多峰分布，在聚类、密度估计等领域广泛应用
时间轴 (近 90 天)
该方法在二维和八维高斯混合实验中展现出优于传统得分匹配生成器的性能——在相似参数量下，偏离模式的样本数量显著减少。
该方法目前仅在低维高斯混合数据上验证，在图像、文本等真实高维数据上的扩展性仍需进一步研究。
高斯混合模型（GMM）是评估生成模型多峰分布拟合能力的常用基准。
实验表明，即使学习得到的是时间无关的静态场，该方法生成的样本中偏离模式（off-mode）的比例也远低于参数量相当的得分匹配生成器。
论文证明：在真实混合测度满足次高斯假设时，无约束NPMLE在平方Hellinger距离下达到极小极大最优速率 log(n)/n。
论文通过对有限高斯混合类在局部Hellinger距离下的括住熵进行sharp刻画，以此控制NPMLE的收敛速率。
在分离的各向同性高斯混合中，贝叶斯速度变为局部仿射，标签 oracle 残差回归基准具有参数化过剩风险尺度 K A_v(t)/N。
在高斯混合模型上，论文方法能够逼近真实目标分布。
RAPTOR通过将文档切分为文本块、向量化、使用高斯混合模型进行软聚类、调用语言模型生成抽象摘要并递归构建摘要树
论文使用高斯混合模型（Gaussian mixture models）和全批量梯度下降作为理论分析对象
还有 1 条时间轴事件
全部知识事实 (11)
该方法在二维和八维高斯混合实验中展现出优于传统得分匹配生成器的性能——在相似参数量下，偏离模式的样本数量显著减少。
50%待验证该方法目前仅在低维高斯混合数据上验证，在图像、文本等真实高维数据上的扩展性仍需进一步研究。
50%待验证高斯混合模型（GMM）是评估生成模型多峰分布拟合能力的常用基准。
50%待验证实验表明，即使学习得到的是时间无关的静态场，该方法生成的样本中偏离模式（off-mode）的比例也远低于参数量相当的得分匹配生成器。
50%待验证论文证明：在真实混合测度满足次高斯假设时，无约束NPMLE在平方Hellinger距离下达到极小极大最优速率 log(n)/n。
50%待验证论文通过对有限高斯混合类在局部Hellinger距离下的括住熵进行sharp刻画，以此控制NPMLE的收敛速率。
50%待验证在分离的各向同性高斯混合中，贝叶斯速度变为局部仿射，标签 oracle 残差回归基准具有参数化过剩风险尺度 K A_v(t)/N。
50%待验证在高斯混合模型上，论文方法能够逼近真实目标分布。
50%待验证RAPTOR通过将文档切分为文本块、向量化、使用高斯混合模型进行软聚类、调用语言模型生成抽象摘要并递归构建摘要树
50%待验证论文使用高斯混合模型（Gaussian mixture models）和全批量梯度下降作为理论分析对象
50%待验证K-means可以视为EM算法在高斯混合模型上的硬极限情况，EM算法使用软分配而K-means使用硬分配
50%