Phase‑Type相位型解碼器：以馬可夫鏈修正生成模型的重尾缺陷

Phase‑Type相位型解碼器可改善生成模型的重尾輸出

重尾分布在效能評估、網路流量與風險建模中十分常見，但標準變分自編碼器（VAE）採用高斯解碼器與受限的Lipschitz神經網路，結構上難以產生厚尾輸出：高斯尾部衰減快，而Lipschitz連續性又阻止解碼器放大潛在輸入中的稀有事件以克服此衰減。

本文提出以Phase‑Type（相位型）分布──基於馬可夫鏈的正值分布家族──替換VAE的高斯解碼器，其他架構與訓練流程保持不變。Phase‑Type能以任意精確度逼近正值分布，包含重尾族群，因此理論上能生成更厚的尾部。

研究在合成Pareto資料上做受控實驗，橫跨多組尾指數與不同維度，觀察尾部Kolmogorov–Smirnov距離與極端分位數誤差。結果顯示，Phase‑Type解碼器相較於高斯基線在這些尾部評估指標上有明顯改善，說明將馬可夫鏈驅動的分布整合到生成模型解碼器，是解決重尾生成問題的一條實用路徑。

延伸閱讀

• 神經碼本通道與變分稽核證書：在 VAE 中檢驗編碼－解碼耦合一致性
• PrismQuant：針對高斯混合模型的率—失真最優向量量化方法
• 類比射頻計算於MU-MIMO物理層：NMSE度量、能耗模型與低複雜度優化

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。