通过辅助监督缓解摊销贝叶斯推理中的表征鸿沟

研究提出一种在内部表征施加辅助引导损失的通用方法，以缓解摊销贝叶斯推理中特征学习与条件分布学习之间的表征鸿沟。该方法在训练数据充足时能加快收敛速度，在数据稀缺时可提升模型性能，并提供通用诊断工具用于区分总结失败与推理失败。测试表明，辅助监督在多项具有挑战性的真实世界推理问题中均提升了收敛速度和准确率。