基于贝叶斯归一化流的条件密度估计

Feb, 2018

基于贝叶斯归一化流的条件密度估计

Conditional Density Estimation with Bayesian Normalising Flows

Brian L Trippe, Richard E Turner

TL;DR本文提出使用正规化流作为灵活的似然模型，以及提出了一种有效的方法来适应复杂分布的条件密度估计问题，其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析，最终将该方法应用于两大数据集的空间密度建模任务上，并在某些情况下获得了最先进的性能。

Abstract

Modeling complex conditional distributions is critical in a variety of settings. Despite a long tradition of research into conditional density estimation, current methods employ either simple parametric forms or are difficult to learn in practice. This paper employs normalising flows a

conditional density estimation normalising flows bayesian framework variational bayesian neural networks spatial density modeling

发现论文，激发创造

通过归一化流在顺序蒙特卡罗中进行条件测量密度估计

在测量模型的微调中，通过条件规范化流，在不同的可微粒子过滤器框架下学习表达丰富而有效的概率密度函数，以捕捉状态下测量的复杂似然性。在视觉跟踪实验中，我们证明了该方法可以带来更好的估计性能和更快的训练收敛。

Mar, 2022

图形正态流

本文提出了一种基于贝叶斯网络和图结构的图归一化流模型，在保留贝叶斯网络的可解释性和图归一化流的表示能力的同时，为将领域知识注入图归一化流提供了一个有前途的方法。

Jun, 2020

使用条件正则流学习似然函数

本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。

Nov, 2019

卷积归一化流

该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

Nov, 2017

干预密度估计的正规流

本文介绍了一种利用干预深度规范化流方法从观测数据中估计潜在结果密度的方法，并且在各种实验中展示了其高效和可行性。

Sep, 2022

条件归一化流在优化权重重构中的应用

通过条件归一化流来学习完整条件概率分布以匹配目标分布，消除模拟样本中的误建模，较之常见的重新加权技术，该方法独立于分组选择且不依赖于两个分布之间密度比率的估计，其可以提供高达三倍的统计精度，同时在高能粒子物理应用领域也具有一定的潜力。

Apr, 2023

基于条件化的时空标准化流的概率天气预报

本文介绍了用于随机时空建模的条件归一化流方法，并通过从 ERA5 数据集中进行的日温度和小时位势地图预测任务的实验证明了该方法在捕捉时空相关性和超出训练时间范围的外推能力方面的有效性。

Nov, 2023

具有归一化流的变分推断

本论文提出了一种新的变分推断方法，通过应用一系列可逆转变，构造了一种更为复杂的、灵活的、可拓展的近似后验分布，与简单的后验分布相比，提升了推断性能和适用性。

May, 2015

基于条件正则流的多元概率时间序列预测

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

反问题的组合归一化流

本文提出了一种基于流模型的方法来估计条件密度并解决逆问题，并通过实验验证其在产生高质量样本和不确定性量化方面的有效性。

Feb, 2020