提升密度估计重制版

近期，用于密度估计的迭代方法数量稳步增加。然而，随之并未涌现出大量形式化的收敛性保证；所有结果都付出了沉重假设的代价，这些假设通常是不切实际的或难以检验的。生成对抗网络（GAN）的文献——看似与上述追求正交——却产生了重新激发对变分散度最小化（ notably $f$-GAN）兴趣的副作用。我们表明，通过引入弱学习假设（在经典提升框架的意义上），我们能够从 GAN 文献中引入一些近期结果，以开发一种迭代提升密度估计算法，包括带有收敛速率的形式化收敛结果，且该算法不存在其他方法的缺陷。我们证明了拟合的密度属于指数族，并且作为我们分析的一部分，获得了 $f$-GAN 的改进变分表征。