变换自回归网络

Jan, 2018

Transformation Autoregressive Networks

Junier B. Oliva, Avinava Dubey, Manzil Zaheer, Barnabás Póczos, Ruslan Salakhutdinov...

TL;DR本文旨在系统地表征密度估计方法，提出多种新方法，在真实数据和合成数据上进行全面研究，结果表明变量转换和自回归条件模型相结合可以显著提高性能，并将模型用于异常检测和图像建模，最后介绍了一种用于学习分布族的新的数据驱动框架。

Abstract

The fundamental task of general density estimation $p(x)$ has been of keen interest to machine learning. In this work, we attempt to systematically characterize methods for density estimation. Broadly speaking, m

density estimation autoregressive models non-linear transformations rnn based transformations outlier detection

发现论文，激发创造

掩码自回归流密度估计

使用 Masked Autoregressive Flow 构建自回归模型栈，提高神经密度估计的灵活性，达到最先进的性能表现。

May, 2017

自回归能量机

Autoregressive Energy Machine 是一种高效的基于能量的神经网络模型，具备在无监督学习中广泛使用的灵活性，可以在不受概率密度限制的条件下计算归一化常数，实现在密度估计任务中的最优表现。

Apr, 2019

通过使用高斯混合模型和遮蔽自回归流进行概率分类

使用密度估计方法的分类器通过使用高斯混合模型和掩码自回归流等方法来建模数据的类别似然度，优于仅使用单个高斯分布的简单分类器。这项研究为提出其他基于联合密度估计的概率分类器打开了研究之门。

Oct, 2023

深度自回归网络

本文介绍了一种深度、生成式自编码器，它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法，我们证明了该方法在几个经典数据集上取得了最先进的生成性能。

Oct, 2013

利用物理约束深度自回归网络模拟 PDE 系统动态

本文提出了一种基于物理约束的深度学习模型，通过自动回归密集编码器 - 解码器卷积神经网络建模非线性动力学系统，实现对时间步骤的预测量进行不确定性量化，并利用其在多个非线性瞬态偏微分方程系统上进行测试。

Jun, 2019

少样本自回归密度估计：走向学习分布的学习

本文介绍了如何通过将神经注意力和元学习技术与自回归模型相结合，实现对少量样本实现高效密度估计，从而对于图像生成等领域有重要的应用。

Oct, 2017

辅助导向自回归变分自动编码器

本文提出了一种训练程序，它基于辅助损失函数来控制潜变量所捕获的信息以及留给自回归解码器的信息，该方法可以实现任意强大的自回归解码器，达到具有潜变量的模型中最先进的定量性能，并生成定性令人信服的样本。

Nov, 2017

自回归神经网络的无偏蒙特卡罗聚类更新

该研究提出了一种使用物理对称性和变尺度聚类更新以消除偏差且方差较低的方法来进行高维概率分布的无偏抽样，测试了其在经典自旋系统的一阶和二阶相变中的可行性。

May, 2021

深度自回归密度网络与神经集成在基于模型的离线强化学习中的比较

离线强化学习中，通过提供的系统转换数据进行策略优化；研究了基于模型的强化学习算法，并挖掘了模型学习的静态度量方法，以及模型错误对代理的最终性能的影响。

Feb, 2024

高维向量自回归的低秩和结构化建模

提出一种新颖的方法来准确估算低秩和结构稀疏高维 VAR 模型中的网络 Granger 因果交互作用，该方法采用核范数和 lasso（或 group lasso）惩罚的组合正则化框架，证明了该方法的估计误差速率的非渐近性上界，并演示了该方法在合成和真实数据上的表现优于标准稀疏 VAR 估计。

Dec, 2018