面向任意条件化的后验匹配

任意条件化是无监督学习中的一个重要问题，其中我们试图对潜藏于某些数据下的条件密度 $p(\mathbf{x}_u \mid \mathbf{x}_o)$ 进行建模，针对所有不相交子集 $o, u \subset \{1, \dots , d\}$。然而，绝大多数密度估计仅关注对联合分布 $p(\mathbf{x})$ 建模，其中特征之间的重要条件依赖关系是不透明的。我们提出了一个简单而通用的框架，称为后验匹配（Posterior Matching），它使变分自编码器（VAE）能够执行任意条件化，而无需修改 VAE 本身。后验匹配适用于众多现有的基于 VAE 的联合密度估计方法，从而规避了先前任意条件化方法所需的专门模型。我们发现，在多种任务及各类 VAE（例如离散、层次化、VaDE）下，后验匹配可与当前最先进方法媲美或更优。