博士论文 | 2023年Stanford | 非线性潜变量模型中的推理和学习

本文多图，建议阅读8分钟本论文开发了拟合潜变量模型的技术，其中变量之间的依赖关系由非线性函数参数化。建模的核心目标是帮助我们了解周围的世界，但我们希望建模的现象往往只能间接观察到。例如，我们经常通过黑洞对周围物体的引力效应来探测黑洞。未观察到的现象通常使用与观测变量统计相关但从未直接观察到的潜变量来建模。这些潜变量模型是一种强大的形式化方法，可以实现数据的简约和可解释表示，但很难使用，尤其是当变量之间的关系复杂时。本论文开发了拟合潜变量模型的技术，其中变量之间的依赖关系由非线性函数（例如深度神经网络或非线性微分方程）参数化。非线性依赖关系使分析方法变得难以处理，本论文的主要目的是扩展蒙特卡罗文献中的采样算法以用于深度生成模型。特别是，本论文重点关注对神经电压轨 ………………………………