Jul, 2020

切片迭代归一化流

PDF
TL;DR使用基于迭代最优输运和 Wasserstein 距离的方法，开发了一个能够将任意概率分布函数转化为目标概率分布函数的迭代深度学习算法；其中，还引入了两种正交分片迭代正常化流模型，SIG 模型能够生成高质量的图像数据集，而 GIS 可以在小型数据集上使用，并对密度估计任务具有较高的稳健性和快速性。
iterative deep learningprobability distribution functionwasserstein distancenormalizing flow modelsdensity estimation
发现论文，激发创造
  • 切割 - 瓦瑟斯坦标准化流：超越最大似然训练

    提出了一种基于 MLE 和 sliced-Wasserstein 距离的混合目标函数培训规范化流模型的方法，此方法在合成玩具示例和实际图像数据集上取得了更好的生成能力，通过该方法得到的规范化流模型具有更高的数据保真度，可更好地检测出分布之外的数据。

    Jul, 2022

  • PINF：用于物理约束深度学习的连续归一化流

    本文介绍了基于物理信息的归一化流（PINF），它是连续归一化流的一种新方法，通过特征方法结合扩散，能高效解决高维时间依赖和稳态福克 - 普朗克方程。

    Sep, 2023

  • 扩散正规流

    本文介绍了基于随机微分方程的扩散归一化流生成建模新方法 —— 扩散归一化流算法。该算法使用两个神经 SDE：一个前向 SDE 和一个后向 SDE，通过联合训练两个神经 SDE，将后向 SDE 收敛于一种扩散过程，从而具备更好的高维数据密度估计和图像生成性能。

    Oct, 2021

  • 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

  • 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

  • 切片 - 瓦瑟斯坦流：通过最优输运和扩散的非参数生成建模

    本研究提出了一种基于梯度流的、无需参数的算法，用于学习复杂数据集的潜在分布和从中进行抽样。该算法是建立在隐式生成建模 (IGM) 与最优输运之间的联系理论基础上，并通过泛函优化问题的方式得以实现。通过梯度流和随机微分方程的联系，该算法既能高效地解决优化问题，还提供了理论分析和有限时间误差保证。实验结果表明，该算法能够成功地捕捉不同类型的数据分布结构。

    Jun, 2018

  • 随机正常化流

    提出了随机归一化流的概念，它是一种在机器学习和统计力学领域中解决概率分布采样问题的方法，具有较快的采样效率和较强的表示能力。

    Feb, 2020

  • 归一化流的变体和放宽

    通过结合其他生成模型类别的方面，如 VAEs 和基于分数的扩散，放宽了 NFs 的严格双射约束，从而实现了表达能力、训练速度、样本效率和似然可追踪性的平衡。

    Sep, 2023

  • 深度形变正则化流

    DDNF 模型是一种基于普通微分方程 (ODE) 和递归神经网络 (RNN) 的正则差分流模型，具有高效的似然度评估和柔性的密度估计能力， 是一种具有竞争力的新型神经密度估计技术，还可以在 Riemannian 半群中扩展。

    Oct, 2018

  • 高斯化流

    本文通过迭代高斯化的过程，提出了一种名为 “高斯化流” 的正态流模型，能够进行高效的似然计算和样本生成，而且具有良好的表达能力，能够捕捉多峰分布，且相较于其他流模型有更好的鲁棒性和泛化能力。

    Mar, 2020