基于 Cramer-Wold 距离的联合分布学习
机器学习
2023-10-26 v1 机器学习
摘要
在变分自编码器(VAE)解码器建模中主要使用的观测变量条件独立性假设,在处理高维数据集或观测变量间复杂相关结构时存在局限性。为解决此问题,我们引入了可闭式计算的 Cramer-Wold 距离正则化,以促进高维数据集的联合分布学习。此外,我们提出了一种两步学习方法,以实现灵活的先验建模并改善聚合后验与先验分布之间的对齐。进一步地,我们给出了与该类现有方法在理论上的区别。为评估我们所提方法的合成数据生成性能,我们在具有多个类别变量的高维数据集上进行了实验。鉴于许多易得的数据集和数据科学应用涉及此类数据集,我们的实验证明了所提方法的有效性。
引用
@article{arxiv.2310.16374,
title = {Joint Distributional Learning via Cramer-Wold Distance},
author = {Seunghwan An and Jong-June Jeon},
journal= {arXiv preprint arXiv:2310.16374},
year = {2023}
}