以相位類型分布取代高斯解碼器，解決深度生成模型的重尾問題

在效能評估、網路流量與風險模型等領域，重尾分布普遍存在，卻是現代深度生成模型的一大挑戰。標準的變分自編碼器（VAE）採用高斯解碼器與 Lipschitz 限制的神經網路，結構上無法產生重尾輸出：高斯尾部呈指數衰減，且 Lipschitz 連續性阻止解碼器將潛在空間的稀有事件放大至足以克服此衰減。

理論與實驗驗證

研究者先以理論方式說明此限制，並在合成 Pareto 資料上進行受控實驗，測試尾指數 α 為 2、3、5、30，維度 d 為 1、5、10 的情境。結果證實傳統 VAE 無法捕捉重尾特性。

相位類型解碼器的解決方案

為克服上述問題，作者將高斯解碼器換成基於馬可夫鏈的相位類型（Phase‑Type, PH）分布，同時保留編碼器、潛在空間與訓練流程不變。PH 分布可任意精確近似任何正值分布，包含重尾族。

實驗成效

在相同的合成資料上，PH‑VAE 的尾部 Kolmogorov‑Smirnov 距離最高降低六倍，極端分位誤差最高降低十倍，顯示相位類型解碼器在重尾生成上具備顯著優勢。

此結果證明，將馬可夫鏈基礎的分布整合至生成模型的解碼器，可提供一套原則性且實務上有效的重尾資料生成方案。

延伸閱讀

• 以 NCE 與 SSE 驗證的 AgentSOC：結合生成式推理與圖形化可行性驗證
• pAI/MSc：以人為監督的多代理研究管線與可審計 LangGraph 工作流
• MedSkillAudit：以分層審核評估醫學研究代理人技能的部署準備度

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。