详细内容或原文请订阅后点击阅览
破解密度代码：为什么MAF在KDE Stalls
了解为什么自回旋流是高维datathe柱破裂密度代码的高密度估计工具：为什么MAF流向KDE Stalls首先出现在数据科学上的位置。
来源:走向数据科学在高维密度估计中引起的主要问题之一是，随着我们的尺寸的增加，我们的数据变得更加稀疏。因此，对于依靠本地邻里估计的模型，我们需要成倍增加数据，因为我们的尺寸增加以继续获得有意义的结果。这被称为维度的诅咒。
在我上一篇关于密度估计的文章中，我证明了如何有效地将内核密度估计器（KDE）用于一维数据。但是，其性能在较高的维度下显着恶化。为了说明这一点，我进行了模拟，以确定在估计各个维度的多元高斯分布的密度时，KDE需要多少样本才能达到0.2的平均相对误差。使用Scott的规则选择带宽。结果如下：
上一篇文章是正确的：在我的模拟中，要匹配一个维度仅22个数据点的准确性，您将需要在六个维度中超过360,000个数据点！更令人惊讶的是，在他的书多元密度估算中，大卫·斯科特（David W.
希望这足以说服您，内核密度估计器不是估计较高尺寸密度的理想选择。但是选择什么？
第2部分：归一化流程
一个有希望的替代方案是使流量归一化，我将重点关注的特定模型是掩盖的自回归流量（MAF）。
本节部分借鉴了乔治·帕帕马卡里奥斯（George Papamakarios）和巴拉吉·拉克斯米纳拉扬（Balaji Lakshminarayanan）的工作，如概率机器学习：凯文·P·墨菲（Kevin P.
概率机器学习：高级主题更正式地假设以下内容：
其中j_ {f^{ - 1}}（x），在x上评估的f^{ - 1}的jacobian。
a