研究人员开发了一种新方法来解决深度生成模型在处理重尾分布方面的局限性。由于固有的高斯似然和Lipschitz约束，标准模型在处理这些分布时会遇到困难，这会阻止准确的输出。提出的解决方案用基于马尔可夫链的阶段类型分布替换了高斯解码器，从而能够更好地近似重尾数据。 AI
影响 能够更准确地模拟网络流量和风险等现实世界现象，有可能提高金融和科学应用的性能。
排序理由 该集群包含一篇arXiv论文，详细介绍了生成模型的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.18931v1 Announce Type: new Abstract: Heavy-tailed distributions are prevalent in performance evaluation, network traffic, and risk modeling. This behavior poses a fundamental challenge for modern deep generative models. Standard Variational Autoencoders (VAEs) employ G…
Heavy-tailed distributions are prevalent in performance evaluation, network traffic, and risk modeling. This behavior poses a fundamental challenge for modern deep generative models. Standard Variational Autoencoders (VAEs) employ Gaussian decoder likelihoods and Lipschitz-constr…