连续变换之下的分类归一化流

ICLRJun, 2020

Categorical Normalizing Flows via Continuous Transformations

Phillip Lippe, Efstratios Gavves

TL;DR本文介绍一种针对分类数据的正则化流方法，利用可变推理将分类数据的编码转换为连续空间，并使用分解器解决正则化流中包含的潜在关系和相互作用。基于这种方法提出了 GraphCNF，是一种置换不变的图形生成模型，并在分子生成上表现优于现有方法。

Abstract

Despite their popularity, to date, the application of normalizing flows on categorical data stays limited. The current practice of using dequantization to map discrete data to a continuous space is inapplicable as categorical data has no intrinsic order. Instead, categorical data have complex and latent relations that must be inferred, like the synonymy betw

categorical normalizing flows variational inference factorized decoder graphcnf molecule generation

发现论文，激发创造

离散序列的潜在正则化流

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

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

图形规范化流

本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。

May, 2019

OT-Flow: 基于最优输运的快速准确连续正则化流

提出了一种基于最优传输理论和神经常微分方程的连续归一化流方法，具有高维密度估计和生成建模的能力，在五种任务中与现有技术相比表现出色，且训练时间为现有技术的 8 倍。

May, 2020

连续归一化流在概率分布学习中的收敛性

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

连续时间流用于高效推理和密度估计

本文介绍了连续时间流（CTF）的概念，这是一种能够渐进地接近目标分布的基于扩散的方法。相对于常规的 normalizing flows 和 GANs 模型，CTFs 能够在一个框架中实现高效率的推理和基于大量未标记数据的密度估计，并且可以在其中采用一种新的分布匹配技术。实验结果表明，所提出的 CTF 框架较之相关技术具有更良好的性能。

Sep, 2017

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

准确的随机微分方程建模的时间变化归一化流

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

维度通用的正则化流

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

等变有限规范化流

通过使用离散层构建等变归一化流，我们引入了三种新的等变流：$G$-Residual Flows，$G$-Coupling Flows 和 $G$-Inverse Autoregressive Flows，除了理论研究外，还在像 CIFAR-10 这样的图像数据集上进行了实证实验来证明其效果。

Oct, 2021