随机正常化流
本文提出了一种新的马尔可夫蒙特卡罗算法来应对标准归一化流在复杂分布上可能出现的病态问题,并将其与传统方法进行了比较,结果表明该方法不需要专门的训练,并且可以简单地与任何预先经过训练的 NF 网络结构一起使用。
May, 2023
通过建模生成概率路径的向量场,连续归一化流(CNFs)利用神经网络学习参考密度与目标密度之间的概率路径。本文重新利用流匹配(FM)方法,结合马尔可夫采样方法评估 FM 目标和使用学习的概率路径改进蒙特卡洛采样,将该方法用于概率推断。我们提出了一种顺序方法,利用马尔可夫链的样本修正定义 FM 目标的概率路径。我们增加了自适应调节机制以发现目标中的多个模式。在温和的假设下,我们证明了 FM 目标的局部最优收敛性,讨论了收敛速率的改进,并在合成和真实世界示例中说明了我们的方法。
May, 2024
本论文介绍了一种新变种的动态归一化流模型(TCNF),基于布朗运动的时间变形,能够有效地建模一些随机微分方程,包括标准的奥恩斯坦 - 乌伦贝克过程,并且提供更好的推断和预测能力。
Dec, 2023
本研究提出一种基于 Markov chain Monte Carlo (MCMC) 的最大似然算法的潜空间归一化流模型,可实现图像生成、重构、异常检测、受监督的图像修补和无监督的图像修复。
Jan, 2023
通过连续归一化流(CNFs)和线性插值,我们研究了采用匹配流目标函数学习概率分布的 CNFs 在从有限随机样本中学习概率分布方面的理论属性,并建立了基于 Wasserstein-2 距离的分布估计器的非渐进误差界。
Mar, 2024
本文提出一种基于连续时间正规化流的生成模型,该流的速度场由时间依赖密度的概率流推断而来,可用于样本生成和密度估计,并可最小化插值密度的路径长度来建立最优传输映射。该方法通过对基于随机微分方程的方法的简化,使生成的流可以以低成本超越传统方法,并可在图像生成等任务上达到较理想的性能。
Sep, 2022