转化自回归网络
摘要：密度估计的基本任务$p(x)$一直是机器学习领域的热点问题。本研究试图系统性地描述密度估计的方法。广义上讲，现有的大多数方法可以归为两类：a) 使用自回归模型来估计链式法则的条件因素$p(x_i | x_{i-1}, \ldots)$；或者b) 对简单基础分布的变量进行非线性变换。基于对这些类别特征的研究，我们为每个类别提出了多种新方法。例如，我们提出了基于RNN的变换方法来建模非Markovian依赖关系。此外，通过对真实世界和合成数据的全面研究，我们发现联合利用变量的变换和自回归条件模型在性能方面表现出了明显的改进。我们还阐述了我们的模型在异常检测和图像建模中的应用。最后，我们介绍了一种新的数据驱动框架，用于学习一族分布。
作者：Junier B. Oliva, Avinava Dubey, Manzil Zaheer, Barnab''as P''oczos, Ruslan Salakhutdinov, Eric P. Xing, Jeff Schneider
论文ID：1801.09819
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-10-24