摘要

正则流（Normalising Flows, NFS）通过一个可微双射将两个密度函数进行映射，其雅可比行列式的计算可以高效完成。最近，作为手工设计双射的一种替代方案，Huang等人（2018年）提出了神经自回归流（Neural Autoregressive Flow, NAF），这是一种用于密度函数的通用近似器。他们的流是一个神经网络（NN），其参数由另一个神经网络预测。后者随着前者规模的增大而呈二次增长，因此需要一种高效的参数化技术。我们提出了一种更为紧凑的密度函数通用近似器——块神经自回归流（Block Neural Autoregressive Flow, B-NAF），其中我们直接使用单个前馈网络来建模双射。通过精心设计每个仿射变换中的块矩阵，确保了该流的自回归性和（严格）单调性。我们在密度估计和潜在变量模型的近似推理方面将B-NAF与其他已建立的流进行了比较。实验结果表明，我们的方法在多个数据集上具有竞争力，同时使用的参数数量减少了几个数量级。