Der Neural Autoregressive Distribution Estimator (NADE) und seine reellwertige Version RNADE sind leistungsfähige Dichtemodellierungen für mehrdimensionale Daten in verschiedenen Bereichen. Diese Modelle verwenden eine feste, willkürliche Ordnung der Daten-Dimensionen. Man kann leicht auf Variablen am Anfang der Ordnung konditionieren und Variablen am Ende der Ordnung marginalisieren, jedoch erfordern andere Inferenz-Aufgaben approximative Inferenz. In dieser Arbeit stellen wir ein effizientes Verfahren vor, um gleichzeitig einen NADE-Modell für jede mögliche Ordnung der Variablen zu trainieren, indem wir die Parameter über alle diese Modelle teilen. Wir können daher für jede Inferenz-Aufgabe das geeignetste Modell verwenden, und Ensembles solcher Modelle mit unterschiedlichen Ordnungen sind sofort verfügbar. Darüber hinaus skaliert unser Trainingsverfahren im Gegensatz zum ursprünglichen NADE auch auf tiefe Modelle. Empirisch erzielen Ensembles von tiefen NADE-Modellen Spitzenwerte bei der Dichteabschätzung.请注意，这里“法语”应为“德语”，已为您纠正。