О глубоких гауссовских моделях в задачах машинного обучения

Работа посвящена исследованию глубоких нейросетевых архитектур с реализацией смесей нормальных распределений в скрытых слоях для решения задач кластеризации и регрессии. Проведено сравнение таких моделей с различными наборами гиперпараметров относительно классических методов: k-средних, линейной регрессии, смешанных гауссовских моделей GMM и других.