用于离散数据生成的电流方法

我们提出了$\textbf{E}$lectric $\textbf{C}$urrent $\textbf{D}$iscrete $\textbf{D}$ata $\textbf{G}$eneration (ECD$^{2}$G)，一种基于电气工程理论的离散数据生成开创性方法。我们的方法借鉴了电路中电流流动与数据分布之间概率质量传输之间的类比。我们将源分布的样本视为电路的电流输入节点，将目标分布的样本视为电流输出节点。然后使用神经网络来学习电流，以表示电路中的概率流动。为了将源分布映射到目标分布，我们从源分布中采样，并根据学习到的电流沿电路路径传输这些样本。该过程从理论上保证了数据分布之间的转换。我们展示了证明概念的实验来说明ECD$^{2}$G方法。