面向重尾数据的相位类型变分自编码器
机器学习
2026-05-27 v2 人工智能
机器学习
其他统计学
摘要
重尾分布在现实数据中十分常见，稀有但极端事件主导风险与变动性。然而，标准变分自编码器（VAEs）采用简单的解码器分布，如高斯分布，无法捕捉重尾行为，而现有重尾感知扩展受限于预定义的参数化家族，其尾部行为事先固定。我们提出相位类型变分自编码器（PH-VAE），其解码器分布为潜在条件相位类型（PH）分布，定义为连续时间马尔可夫链（CTMC）的吸收时间。该表述由多个指数时间尺度组成，yielding a flexible and analytically tractable decoder that adapts its finite-range tail behavior directly from the observed data. 在合成和真实基准实验中，PH-VAE 能准确逼近多样化的重尾分布，在建模观察尾部行为和极端分位点方面显著优于高斯、Student-t 和极值基准的VAE解码器。在多变量情境下，PH-VAE 通过共享潜在表示捕捉现实的跨维尾部依赖。迄今为之，首次将相位类型分布集成到深度生成模型中，桥接了应用概率与表示学习。
引用
@article{arxiv.2603.01800,
title = {Phase-Type Variational Autoencoders for Heavy-Tailed Data},
author = {Abdelhakim Ziani and András Horváth and Paolo Ballarini},
journal= {arXiv preprint arXiv:2603.01800},
year = {2026}
}