精读解析 | 稀疏性条件能量标签分布学习：概率建模的改进
本文精读 Geng 等《Sparsity Conditional Energy Label Distribution Learning for Age Estimation》(2016)，从条件能量模型出发，给出将对二值隐变量的指数和化为“门控乘积”的闭式推导；构建 KL 拟合 + 稀疏门控 的联合目标，推导 \(b_j\)、\(u_{jr}\)、\(\omega_r\) 的显式梯度及 SGD 更新；并对实验进行了总结和分析。
精读解析 | 深度标签分布学习 2.0：分布与期望的联合优化
本文精读 Geng 等《Age Estimation Using Expectation of Label Distribution Learning》(2018)，从方法、理论、工程与实验四方面展开。先推导高斯标签分布的 CDF，并证明 Ranking≈1−CDF 的极限等价，统一两路线；再给出联合学习框架（KL+L1）及 logits 梯度，阐明与 MAE 的对齐；随后解析 Thin/TinyAgeNet 与混合池化的轻量化；最后概括实验设置与结论，解释“分布+期望”的稳健增益。