.png){kind=icon}
返回
Learning deep generative models based on binomial log-likelihood
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131009.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于似然的深度生成模型学习算法大多使用高斯对数似然。一个显著的例外是Wasserstein自编码器中使用二项式对数似然；然而，它不常用是因为其泛化能力差。本文重新考虑二项式对数似然用于学习深度生成模型，并研究其理论性质。我们提出了对原始二项式对数似然的两种改进，并推导出相应最大似然估计器的收敛率。这些理论结果解释了原始二项式对数似然表现不佳的原因。此外，受改进的二项式对数似然的启发，我们提出了一种参数化异质高斯对数似然，这在学习深度生成模型中是新颖的。通过分析各种基准图像数据集，我们表明所提出的参数化异质高斯对数似然优于标准同质高斯对数似然。此外，我们提供了若干证据来解释所提出的异质高斯对数似然为何优于其他方法。
Keyword:
binomial log-likelihood
deep generative models
maximum likelihood estimation
convergence rates
heterogeneous Gaussian log-likelihood
