离散训练样本下连续变量极大似然的混合密度网络估计
Mixture Density Network Estimation of Continuous Variable Maximum Likelihood Using Discrete Training Samples
摘要：
混合密度网络（MDN）可用于在给定一组可观测量$\mathbf{x}$的情况下生成模型参数$\boldsymbolθ$的概率密度函数。在某些应用中，训练数据仅可用于连续参数$\boldsymbolθ$的离散值。在这种情况下，会出现一些性能限制问题，从而导致有偏差的估计。我们演示了使用MDNs的参数估计，讨论了偏差的起源，并提出了一个纠正方法，为每个问题。
英文摘要：
Mixture Density Networks (MDNs) can be used to generate probability density functions of model parameters $\boldsymbolθ$ given a set of observables $\mathbf{x}$. In some applications, training data are available only for discrete values of a continuous parameter $\boldsymbolθ$. In such situations a number of performance-limiting issues arise which can result in biased estimates. We demonstrate the usage of MDNs for parameter estimation, discuss the origins of the biases, and propose a corrective method for each issue.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
