基于 Copula 的归一化流
机器学习
2021-07-16 v1 人工智能
机器学习
摘要
归一化流（normalizing flows）通过学习一个分布，将数据变换为来自高斯基分布的样本，已被证明是强有力的密度近似方法。但其表达能力受限于该基分布的选择。因此，我们提议将基分布推广为更精细的 copula 分布，以更准确地捕捉目标分布的性质。在一项初步实证分析中，我们证明这一替换能显著提升原始归一化流在处理重尾数据时的灵活性、稳定性和有效性。我们的结果表明，这些改进与所学流在局部 Lipschitz 稳定性上的增强有关。
引用
@article{arxiv.2107.07352,
title = {Copula-Based Normalizing Flows},
author = {Mike Laszkiewicz and Johannes Lederer and Asja Fischer},
journal= {arXiv preprint arXiv:2107.07352},
year = {2021}
}
备注
Accepted for presentation at the ICML 2021 Workshop on Invertible Neural Networks, Normalizing Flows, and Explicit Likelihood Models (INNF+ 2021)