شبكات التحويل الذاتية الانحدارية

ال مهمة الأساسية لتقدير الكثافة العامة ( p(x) ) كانت محور اهتمام كبير في مجال تعلم الآلة. في هذا البحث، نحاول تصنيف الطرق المستخدمة لتقدير الكثافة بشكل منهجي. بشكل عام، يمكن تصنيف معظم الطرق الحالية إما إلى: \textit{أ}) استخدام النماذج الذاتية التتابعية لتقدير العوامل الشرطية لقاعدة السلسلة، ( p(x_{i} \, | \, x_{i-1}, \ldots) ); أو \textit{ب}) تحويلات غير خطية لمتغيرات توزيع أساسي بسيط. بناءً على دراسة خصائص هذه الفئات، نقترح عدة طرق جديدة لكل فئة. على سبيل المثال، اقترحنا تحويلات تعتمد على الشبكات العصبية المتتابعة (RNN) لنمذجة الارتباطات الغير ماركوفية. علاوة على ذلك، من خلال دراسة شاملة باستخدام البيانات الحقيقية والاصطناعية، أظهرنا أن الجمع بين تحويلات المتغيرات والنماذج الشرطية الذاتية التتابعية يؤدي إلى تحسين كبير في الأداء. نوضح استخدام نماذجنا في كشف القيم الشاذة ونمذجة الصور. وأخيرًا، نقدم إطارًا جديدًا قائمًا على البيانات لتعلم عائلة من التوزيعات.