关键词deep autoregressive models
搜索结果 - 6
- 动态语料库上的持续更新生成式检索
本研究介绍了一个名为 STREAMINGIR 的新基准，用于评估检索方法对于动态变化语料库（如实时问答）的泛化能力，并比较了双编码器和生成式检索的性能和效率。结果表明，生成式检索在不同程度的监督下表现出不同的性能，但是参数高效的措施可以在某 - ICML自回归范围密度估计的变量跳过
本文提出一种名为 Variable Skipping 的技术，用于加速基于深度自回归模型的范围密度估计，该技术利用范围密度查询的稀疏结构，在近似推理期间避免采样不必要的变量。通过这种技术，可以在不改变通常的最大似然目标的情况下实现复杂应用， - NeuroCard: 对所有表格的基数估计
本文介绍了一种名为 NeuroCard 的查询优化器，它利用了神经网络技术，结合了 join 采样和深度自回归模型，能够精确地预测复杂查询的关系及数量。该方法实现了比现有方法更高的精确度，而且具有较小的存储空间和高效的构建时间。
- 深度无监督基数估计
使用自动回归模型进行基数估计，提出了一种可处理多维关系表密集统计的新方法。通过蒙特卡罗积分方案，无需独立性假设，即可近似联合数据分布，实现单位误差计算效率，可显著提高准确性和系统运行效率。
- NAOMI: 非自回归多分辨率序列插补
本文提出了一种新颖的深度生成模型：Non-AutOregressive Multiresolution Imputation（NAOMI），利用空时数据的多分辨率结构，采用分治策略从粗到细粒度递归解码，通过对抗训练进一步提高模型性能，能有效 - 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。