Copula与边际流：将边际从其联合分布中解耦
机器学习
2019-07-09 v1 机器学习
摘要
诸如GAN和归一化流等深度生成网络在图像生成等高维任务中蓬勃发展。然而，迄今为止，由生成网络生成的分布性质（如尾部渐近性）的精确建模或外推尚不可行。在本文中，我们首次在深度学习文献中解决此问题，作出了两项新颖贡献。首先，我们推导了可由生成网络表达的尾部的上界，并展示了与Lp空间相关的性质。我们在那里具体表明，在各种情形下最优生成网络并不存在。其次，我们引入并提出copula与边际生成流（CM流），其允许对尾部以及关于CDF的任何先验假设进行精确建模，直至对均匀分布的近似。我们的数值结果支持了CM流的使用。
引用
@article{arxiv.1907.03361,
title = {Copula & Marginal Flows: Disentangling the Marginal from its Joint},
author = {Magnus Wiese and Robert Knobloch and Ralf Korn},
journal= {arXiv preprint arXiv:1907.03361},
year = {2019}
}