A Deep Generative Approach to Conditional Sampling
条件抽样的深度生成方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要提出通用条件生成与抽样方法，未直接涉及处理的分布效应、宏观预测或收益预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
条件抽样的深度生成方法
- 研究问题
- 当预测变量或响应变量维度很高，且可为连续或离散类型时，如何学习一个生成器，将参考分布的随机样本转化为目标条件分布样本？
- 方法与思路
- 作者利用噪声外包引理统一条件分布与广义非参数回归表述，通过神经网络和KL散度匹配适当联合分布，估计条件生成器。
- 材料陈述的贡献
- 摘要称该方法兼容高维及连续离散变量，并在所述温和条件下具有分布收敛的一致性；模拟和图像实验报告优于若干条件密度方法。
- 阅读关注点
- 应核对联合分布匹配如何实现、参考噪声与生成器的设定、分布收敛的准确含义，以及实验基准和训练资源的可比性。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列一致性条件，也未说明条件误差控制方式或实验优势的具体数值。
原文摘要
We propose a deep generative approach to sampling from a conditional distribution based on a unified formulation of conditional distribution and generalized nonparametric regression function using the noise-outsourcing lemma. The proposed approach aims at learning a conditional generator, so that a random sample from the target conditional distribution can be obtained by transforming a sample drawn from a reference distribution. The conditional generator is estimated nonparametrically with neural networks by matching appropriate joint distributions using the Kullback-Liebler divergence. An appealing aspect of our method is that it allows either of or both the predictor and the response to be high-dimensional and can handle both continuous and discrete type predictors and responses. We show that the proposed method is consistent in the sense that the conditional generator converges in distribution to the underlying conditional distribution under mild conditions. Our numerical experiments with simulated and benchmark image data validate the proposed method and demonstrate that it outperforms several existing conditional density estimation methods. Supplementary materials for this article are available online.