带有贝叶斯标准化流的条件密度估计
摘要：模型复杂的条件分布对于各种情境都至关重要。尽管已经有很长时间的研究关于条件密度估计，但当前的方法要么使用简单的参数形式，要么在实践中难以学习。本文使用归一化流作为灵活的似然模型，并提出了一种适用于复杂密度的有效拟合方法。这些估计器必须在建模分布复杂性、函数复杂性和异方差性之间做出权衡，以避免过度拟合。我们将这些权衡视为建模决策，并发展了一种贝叶斯框架，使用变分贝叶斯神经网络在这些条件密度估计器上放置先验。我们在几个小型基准回归数据集上评估了这种方法，在其中一些数据集上获得了最先进的表现。最后，我们将该方法应用于两个具有超过100万数据点的空间密度建模任务，分别使用纽约市黄色出租车数据集和芝加哥犯罪数据集。
作者：Brian L Trippe, Richard E Turner
论文ID：1802.04908
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-02-15