聚合后验采样让生成模型不再失真，重尾聚类数据效果直逼灵活先验！
Aggregated Posterior Predictive Checks for Generative Modeling
📖 AI 总结
该研究关注潜变量生成模型中先验分布与聚合后验不匹配的问题。由于从简单先验采样往往难以生成真实数据，现代生成模型常采用两阶段策略：先拟合模型，再估计聚合后验并从中采样。为检验这一流程，作者提出了聚合后验预测检验（APPC），并从理论上给出了其渐近校准的充分条件。针对概率主成分分析，研究表明即使潜先验设定有误，只要存在普遍因子能够恢复信号空间，APPC仍可保持校准。变分自编码器实验显示，对于重尾和聚类数据，从聚合后验采样比高斯先验采样生成效果更好，且与使用更灵活潜先验的模型表现相当。该工作为评估两阶段生成建模流程提供了理论支撑与实用检验工具。
🔑 关键词速览
| 聚合后验 (Aggregated Posterior) | 由拟合后的生成模型与观测数据共同诱导出的潜变量分布，通常不同于模型预设的先验分布。 |
| 聚合后验预测检验 (APPC) | 一种用于评估生成模型两阶段流程的检验方法，通过比较从聚合后验生成的合成数据与真实数据来诊断模型校准性。 |
| 渐近校准 (Asymptotically Calibrated) | 指随着样本量增大，检验的统计性质（如p值分布）趋于理论预期，从而保证检验的有效性。 |
| 概率主成分分析 (Probabilistic PCA) | 一种经典的线性潜变量模型，假设数据由低维潜变量通过线性映射加高斯噪声生成，常用于降维和密度估计。 |
| 变分自编码器 (VAE) | 一种基于变分推断的深度生成模型，通过编码器将数据映射到潜空间，解码器重建数据，常用于复杂数据生成。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅