我们研究了基于高斯降噪的模拟 - free 连续标准化流的良定义性、可微性和唯一性,通过建立高斯插值流的统一框架,我们证明了流速度场的利普希茨正则性、流的存在唯一性,以及流映射和时间反向流映射在多个丰富的目标分布类别中的利普希茨连续性,这也揭示了高斯插值流的自动编码和循环一致性特性。我们还研究了这些流在源分布和速度场扰动中的稳定性,利用二次 Wasserstein 距离作为度量。我们的发现为用于生成建模中的高斯插值流的学习技术提供了宝贵的见解,为使用经验观察进行端到端误差分析的学习 GIFs 提供了坚实的理论基础。
Nov, 2023
通过参数可逆变换,扩大了高斯过程先验的类别,得到了一种计算效率高,具有良好的推测表现的算法,并在多个数据集上进行了验证。
Nov, 2020
本文提出了一种引入张量网络构造的参考分布的扩展归一化流模型,将其应用于困难的变分推断任务中,显示出优于单独使用流或张量网络的结果。
May, 2023
该研究介绍了分段归一化流,将目标分布划分为具有更好匹配标准正态基本分布拓扑结构的群集,并训练一系列流来建模复杂的多模式目标。
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
本文提出一种新型的正则化流,其基于 Wiener 过程的微分变形,从而获得一个完整的时间序列模型,该模型继承了其基本过程的许多性质,如似然性和边缘效率。此外,我们的连续处理为有独立到达过程的不规则时间序列提供了自然框架,包括直接插值。在合成数据和真实世界数据的一系列实验中,我们证明了该模型相对于变分 RNN 和潜在 ODE 基线的优越灵活性。
Feb, 2020
提出了一种基于 VAE 的生成模型,该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射,解决了直接对离散序列应用正则化流所面临的挑战,并具有可比拟的性能和流灵活性。
Jan, 2019
本研究介绍了一种名为 NIF 的流行有噪声映射模型,可以通过注入变换学习数据流形的降维表示,有效提高了样品质量和数据嵌入的可分性。
Jun, 2020
本文综述了 Normalizing Flows 在分布学习中的构建和使用,旨在提供模型的背景和解释,回顾现有的最新文献,并确定未来可行的有前途的方向和未解决的问题。
Aug, 2019
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。