自动编码顺序蒙特卡洛
摘要：通过构建自动编码序列蒙特卡洛(AESMC)方法，我们在广泛的结构化概率模型家族中，基于最大化对数边际似然的下界来进行模型和提议学习。我们的方法依赖于顺序蒙特卡洛(SMC)在结构化概率模型中进行推理的效率，并且利用深度神经网络模拟复杂的条件概率分布的灵活性。我们开发了额外的理论洞察，并引入了一种新的训练过程，改进了模型和提议的学习。我们证明了我们的方法在深度生成模型中提供了一种快速、易于实施和可扩展的同时模型学习和提议适应的方法。
作者：Tuan Anh Le, Maximilian Igl, Tom Rainforth, Tom Jin, Frank Wood
论文ID：1705.10306
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-04-06