(2017),who提议使用神经网络控制混合料密度模型的参数。当神经网络和密度混合被选择为有效表达时,任何条件概率分布都可以近似(Hornik,1991;Li和Andrew Barron,2000)。Sarajedini等人(1999年)提出了将一般指数族分布参数化的神经网络。然而,这限制了条件密度估计的总体表达能力。机器学习的最新趋势是使用基于神经网络的潜在密度模型(Mirza和Osindero,2014;Sohn等人,2015)。虽然这些方法已成功地估计了图像的分布,但不可能恢复此类潜在密度模型的PDF。从这个意义上讲,更有希望的是规范化潮流,即使用一系列可逆映射将简单的潜在分布转化为更复杂的密度函数(RezendeMohamed,2015;Dinh等人,2017;Tripe和Turner,2018)。由于规范化流程的PDF易于处理,这可能是一个有趣的方向,可以补充我们的工作。虽然基于神经网络的密度估计器对基础密度的假设很少,但当使用最大似然目标进行训练时,它会受到严重过度拟合的影响。为了消除过度拟合,文献中探索了各种正则化方法(Krogh·and Hertz,1992;Holmstrom and Koistinen,1992;Webb,1994;Srivastavaet al.,2014)。然而,这些方法的发展侧重于回归和分类问题。我们的工作重点是基于神经网络的密度估计的正则化。在这方面,我们利用噪声正则化框架(Webb,1994;Bishop,1995),在密度估计的背景下讨论其含义,并对其有效性进行经验评估。四、
|