本文介绍了一种基于卷积网络和混合密度网络的新方法，利用SDSS数据有效预测星系、类星体和恒星的物理参数概率密度函数。研究表明，星系分布与红移、亮度和光谱类型相关，并提出了结合深度学习技术的自动检测和分类星系的方法，显著提高了分类精度和效率。

本文提出了一种名为ProbMCL的多标签图像分类框架，结合有监督对比学习和混合密度网络，验证了其在计算机视觉和医学影像中的有效性。研究探讨了多模态对比学习机制，提升了图像分类性能，并介绍了新型目标检测方法，显示出在检测精度和鲁棒性方面的优势。

混合密度网络（MDN）广泛用于多模态预测。研究提出AR-MDN、XRMDN、图混合密度网络等变体，结合图结构、循环网络与高斯混合，提升在线零售、出行需求、姿态估计等任务的预测精度与不确定性建模能力，并扩展至分层分类与空间回归。