Decodificatori a Catena di Markov Superano i Limiti delle Code Pesanti dei Modelli Generativi Lipschitz

Un recente articolo su arXiv (2605.18931) evidenzia un grave inconveniente dei modelli generativi profondi convenzionali: la loro incapacità di generare output a code pesanti, che compaiono frequentemente in aree come la valutazione delle prestazioni, il traffico di rete e l'analisi dei rischi. I ricercatori dimostrano che gli Autoencoder Variazionali (VAE) che utilizzano verosimiglianze del decodificatore gaussiano e reti neurali con vincolo di Lipschitz non sono in grado di produrre distribuzioni a code pesanti, poiché la coda gaussiana decade esponenzialmente e la continuità di Lipschitz limita l'amplificazione di eventi rari. Offrono sia approfondimenti teorici che prove empiriche utilizzando dati di Pareto sintetici per indici di coda α ∈ {2, 3, 5, 30} e dimensioni d ∈ {1, 5, 10}. Per affrontare questo problema, sostituiscono il decodificatore gaussiano con una distribuzione Phase-Type (PH) derivata da catene di Markov, lasciando invariati l'encoder e lo spazio latente.