用于自回归区间密度估计的变量跳过

深度自回归模型计算单个数据点的点似然估计。然而，许多应用（如数据库基数估计）需要估计区间密度，这一能力在当前神经密度估计文献中未被充分探索。在这些应用中，对高维数据快速而准确的区间密度估计直接影响用户感知性能。本文探讨一种称为变量跳过的技朮，用于加速深度自回归模型上的区间密度估计。该技术利用区间密度查询的稀疏结构，在近似推断期间避免采样不必要的变量。我们表明，变量跳过在针对高分位误差指标时带来10-100$\times$的效率提升，支持文本模式匹配等复杂应用，并且可通过简单的数据增强过程实现，而无需改变通常的最大似然目标。