근사 사후를 표현하는 모형
심층 방향성 생성 모형에 근사 베이즈 추론을 결합하는 연구다. 자료의 근사 사후 분포를 표현하는 인식 모형을 도입하며, 이 모형은 자료를 잠재 표현으로 바꾸는 확률적 인코더 역할을 한다.
확률 변수를 통과하는 경사
확률 변수에 대해 역전파할 수 있는 규칙을 개발했다. 이를 이용해 생성 모형과 인식 모형의 파라미터를 공동으로 최적화하는 학습 알고리즘을 구성한다.
생성과 추론의 활용
여러 실제 자료에서 표본 생성과 누락 자료의 대체 및 고차원 자료 시각화를 평가했다. 생성 모형을 학습하는 과정과 자료에서 잠재 구조를 추론하는 과정을 하나로 연결한 접근이다.