关于混合深度生成模型的可辨识性：元学习作为一种解决方案
On the Identifiability of Hybrid Deep Generative Models: Meta-Learning as a Solution
精选理由
揭示混合生成模型的可辨识性难题，并以元学习提供理论可靠的构建路径。
AI 摘要
arXiv:2610.32748v1 公告类型：新 摘要：利用深度学习中的基于物理的归纳偏置这一方向受到关注，促成了混合深度生成模型（hybrid-DGMs）的最新发展。这类模型将已知的基于物理的数学表达式整合到神经生成模型中。要对这些 hybrid-DGMs 进行辨识，需要同时推断基于物理的组件及其神经组件的参数。然而，对于这些 hybrid-DGMs 的可辨识性，迄今尚未进行理论探究或确立。现有关于一般 DGM 不可辨识性的理论如何适用于 hybrid-DGMs？构建具有理论证明可辨识性的 hybrid-DGM 的有效方法是什么？本文首次从理论上探究了 hybrid-DGMs 的可辨识性，并提出将元学习作为构建可辨识 hybrid-DGMs 的新方法。在合成数据和真实数据基准测试中，我们针对使用无条件先验的现有 hybrid-DGMs 提供了其不可辨识性的有力实验证据，同时也展示了本文提出的 hybrid-DGMs 元形式化方法具有很强的可辨识性。代码可见于 https://github.com/GoForIt-YYB/Meta-Hybrid-VAE。