摘要
自回归模型是表现最佳的神经密度估计器之一。本文介绍了一种提高自回归模型灵活性的方法，该方法基于对模型在生成数据时内部使用的随机数进行建模。通过构建一个自回归模型堆栈，每个模型对堆栈中下一个模型的随机数进行建模，我们获得了一种适用于密度估计的归一化流（normalizing flow），称为掩码自回归流（Masked Autoregressive Flow）。这种类型的流与逆自回归流（Inverse Autoregressive Flow）密切相关，并且是对Real NVP的一种推广。掩码自回归流在一系列通用密度估计任务中取得了最先进的性能。