速報
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
研究指出傳統變分自編碼器（VAE）使用高斯解碼器與 Lipschitz 限制的神經網路，無法生成重尾分布。作者以馬可夫鏈為基礎的相位類型（Phase‑Type）分布取代高斯解碼器，保持編碼器與訓練流程不變，能精確逼近任意正值分布，包括重尾族。
速報
研究指出傳統變分自編碼器（VAE）使用高斯解碼器與 Lipschitz 限制的神經網路，無法生成重尾分布。作者以馬可夫鏈為基礎的相位類型（Phase‑Type）分布取代高斯解碼器，保持編碼器與訓練流程不變，能精確逼近任意正值分布，包括重尾族。
速報
重尾分布在效能評估、網路流量與風險建模常見。研究以Phase-Type相位型分布取代VAE的高斯解碼器，並保留編碼器與訓練流程；Phase-Type基於馬可夫鏈，可逼近任意正值分布且涵蓋重尾。實驗顯示相較高斯基線，重尾資料在尾部分布與極端分位數上獲得顯著改善。