The Neural Autoregressive Distribution Estimator
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
- Écart entre enseignants
- 0,182 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
score_only:v0-immature-baseline· tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle
Résumé
We describe a new approach for modeling the distribution of high-dimensional vectors of dis-crete variables. This model is inspired by the restricted Boltzmann machine (RBM), which has been shown to be a powerful model of such distributions. However, an RBM typi-cally does not provide a tractable distribution estimator, since evaluating the probability it assigns to some given observation requires the computation of the so-called partition func-tion, which itself is intractable for RBMs of even moderate size. Our model circumvents this difficulty by decomposing the joint dis-tribution of observations into tractable condi-tional distributions and modeling each condi-tional using a non-linear function similar to a conditional of an RBM. Our model can also be interpreted as an autoencoder wired such that its output can be used to assign valid probabilities to observations. We show that this new model outperforms other multivari-ate binary distribution estimators on several datasets and performs similarly to a large (but intractable) RBM. 1
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
La notice
- Revue
- Edinburgh Research Explorer (University of Edinburgh)
- Thématique
- Generative Adversarial Networks and Image Synthesis
- Domaine
- Computer Science
- Établissements canadiens
- —
- Organismes subventionnaires
- Natural Sciences and Engineering Research Council of Canada
- Mots-clés
- EstimatorAutoregressive modelConditional probability distributionJoint probability distributionAutoencoderRestricted Boltzmann machineComputer scienceBoltzmann machineMarginal distributionProbability distributionMathematicsApplied mathematicsAlgorithmArtificial intelligenceArtificial neural networkStatisticsRandom variable
- Résumé présent dans OpenAlex
- oui