关键词conditional distribution learning
搜索结果 - 2
- 神经(熵)最优输运的生成条件分布
学习条件分布是具有挑战性的,因为所需的结果不是单个分布,而是与协变量的多个实例对应的多个分布。我们引入一种新颖的神经自由最优输运方法,旨在有效地学习条件分布的生成模型,特别是在样本量有限的情况下。我们的方法依赖于两个神经网络的极小极大训练: - Wasserstein 生成回归
提出一种新的非参数回归和条件分布学习的统一方法,该方法可以通过生成学习框架同时估计回归函数和条件生成器,使用深度神经网络模型来构建条件生成器,并能够处理多元结果和协变量问题,可以用于构建预测区间,并提供了理论保证以及在模拟和真实数据上的数值