Jan, 2019

变分梯度流深度生成学习

PDF
TL;DR提出 VGrow 框架来学习深度生成模型，通过 $f$-divergence 进行梯度流，使用 logD-trick GAN 来作为新的目标函数评估不同的散度，结果表明 VGrow 可以生成高保真图像并且表现优异。
deep generative modelsvgrow$f$-divergencelogd-trick ganhigh-fidelity images
发现论文，激发创造
  • 通过判别器梯度流完善深度生成模型

    通过熵正则化的 f - 散度梯度流技术，可以提高生成数据的质量，避免了浪费的样本拒绝，可以应用于各种生成系统，并取得了显著的效果优于 DOT 和 DDLS 方法。

    Dec, 2020

  • VFlow: 用变分数据增强方法实现更具表现力的生成式流模型

    本文介绍了一种通过增加数据而扩展中间维度限制的方法 VFlow，提高了生成流模型的表达能力，并在 CIFAR-10 数据集上实现 2.98 bits per dimension 的最新成果。

    Feb, 2020

  • GFlowNets 和变分推断

    这篇文章研究了两​​种概率算法（层次）变分推断（VI）和生成流网络（GFlowNets）之间的关系。作者发现，在某些情况下，VI 算法等价于 GFlowNets 的特殊情况，但 GFlowNets 比 VI 更适宜于强化学习和多模态目标分布的捕捉。

    Oct, 2022

  • 变分流图模型

    本文提出了一种名为 VFG 模型的创新方法，通过信息传递方案将流模型与分层结构相结合，实现高维数据的表示学习与概率推断，并具有流的隐含可逆结构的通用逼近器性质。

    Jul, 2022

  • 变分 Wasserstein 梯度流

    本文提出一种应用于概率分布空间优化问题中的变分形式的 Wasserstein 梯度流方法，该方法利用了内部批量样本更新，实现了良好定义和有意义的目标函数下的梯度流构造，并在合成和真实高维数据集的实验中展示了其性能和可扩展性。

    Dec, 2021

  • 扩散生成流采样器：通过部分轨迹优化改善学习信号

    我们提出了一种基于扩散生成流采样器 (DGFS) 的抽样框架，该方法可以将学习过程易于处理地分解为短的部分轨迹段，通过参数化额外的 “流函数”，并且在各种具有挑战性的实验中展示了相比于相关先前方法更准确的规范常量估计。

    Oct, 2023

  • 学习发散场以获得偏移鲁棒的图表示

    我们提出了一个可学习的发散场几何扩散模型来解决依赖关系数据的挑战性泛化问题。通过引入随机扩散性来广义扩散方程，旨在捕捉依赖关系数据之间的多方面信息流动。另外，通过因果推断导出了一种新的学习目标，可指导模型学习对不同领域中都无关的依赖关系模式。在实际实现方面，我们提出了三种模型实例化方法，分别被视为 GCN、GAT 和 Transformers 的广义版本，具有对分布偏移的高鲁棒性。我们在不同的真实数据集上展示了这些模型在超出分布的泛化上的有希望的有效性。

    Jun, 2024

  • 通过概率空间中的梯度流推断数据集的动态变化

    本研究提出了一种基于 Wasserstein 梯度流的数据集转换框架，可应用于分类数据集的约束、迁移学习和转换黑盒模型，以实现高准确度的分类。

    Oct, 2020

  • 生成对抗模型的组合功能梯度学习

    本文提出了一种不依赖于传统极小 - 极大公式的生成式对抗方法理论，并展示了当存在强的辨别器时，通过每个功能性梯度步骤，可以学到一个好的生成器，使得真实数据和生成数据的分布的 KL 散度改善，直到收敛于零，并基于该理论，提出了一种新的稳定的生成式对抗方法，同时提供了从这个新的视角对原始 GAN 的理论洞见，最终，针对图像生成的实验展示了我们的新方法的有效性。

    Jan, 2018

  • 流引导密度比学习的生成建模

    本文提出了一种名为 FDRL 的方法，它采用渐进式学习，解决了由于分布差异导致的密度差距问题，可以生成高达 $128 imes128$ 尺寸的图像，且在定量基准测试上优于现有的梯度流算法。

    Mar, 2023