本篇研究提出了使用单调神经网络替代对条件仿射单变量转换的方法进行流式变换,称之为神经自回归流(NAF)。实验结果显示,NAF 在密度估计任务上表现出色,并在 MNIST 二值化数据集上的变分自编码器训练中表现出优于 IAF 的性能。
Apr, 2018
使用密度估计方法的分类器通过使用高斯混合模型和掩码自回归流等方法来建模数据的类别似然度,优于仅使用单个高斯分布的简单分类器。这项研究为提出其他基于联合密度估计的概率分类器打开了研究之门。
Oct, 2023
本文介绍了自回归归一化流和可辨识因果模型之间的内在对应关系,证明归一化流模型适用于执行多种因果推理任务,从因果发现到进行干预和反事实预测。作者通过一系列实验验证了所提出的方法优于当前的因果发现方法,并可以精确地进行干预和反事实预测。
Nov, 2020
这篇论文探讨了利用自回归流模型进行因果推断任务,包括因果关系发现、干预预测和反事实预测,并提出了一种新的流结构来执行所有三个任务,该方法在综合数据和基准数据集上得到了有效验证。
Jul, 2020
本文提出了一种新型正则化流架构 —— 逆自回归流,它是一种基于自回归神经网络的可逆转换链。实验结果表明,逆自回归流显著改善了高维空间中对角高斯近似后验的变分推断,同时也证明了,结合逆自回归流的新型变分自编码器,在自然图像的对数似然度方面,与神经自回归模型相当,同时合成速度显著更快。
Jun, 2016
使用 Transformer 神经自回归流(T-NAFs)通过注意力掩码将每个随机变量的维度视为单独的输入令牌,取得了 UCI 基准数据集上与 NAFs 和 B-NAFs 相媲美甚至更好的实验结果,同时使用数量级较少的参数而无需合成多个流。
Jan, 2024
本文旨在系统地表征密度估计方法,提出多种新方法,在真实数据和合成数据上进行全面研究,结果表明变量转换和自回归条件模型相结合可以显著提高性能,并将模型用于异常检测和图像建模,最后介绍了一种用于学习分布族的新的数据驱动框架。
Jan, 2018
本文介绍了一种新型的神经网络模型叫 Block neural autoregressive flow(B-NAF),通过使用单个前馈网络直接模拟双密度函数的变换关系实现了紧凑型的通用密度函数的拟合。同时,本文还比较了 B-NAF 和其他流行的自动编码器,发现 B-NAF 在保证了准确性的同时,使用的参数数量比这些流行的自动编码器更少。
Apr, 2019
通过在流式生成模型的潜在空间中引入多尺度自回归先验 (mAR),我们提高了流式模型的表征能力,使得其在密度估计和图像生成方面都获得了新的最好结果。
Apr, 2020
本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法,该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明,该方法在多个实际数据集上比现有技术表现更好。
Feb, 2020