自回归流的因果发现和推断
本文介绍了自回归归一化流和可辨识因果模型之间的内在对应关系,证明归一化流模型适用于执行多种因果推理任务,从因果发现到进行干预和反事实预测。作者通过一系列实验验证了所提出的方法优于当前的因果发现方法,并可以精确地进行干预和反事实预测。
Nov, 2020
本文提出了一种新型正则化流架构 —— 逆自回归流,它是一种基于自回归神经网络的可逆转换链。实验结果表明,逆自回归流显著改善了高维空间中对角高斯近似后验的变分推断,同时也证明了,结合逆自回归流的新型变分自编码器,在自然图像的对数似然度方面,与神经自回归模型相当,同时合成速度显著更快。
Jun, 2016
本文探讨了 normalizing flows 模型在离散分布上的应用,提出了可以推广到离散事件的离散流模型。其中考虑了离散自回归流和离散二部流模型, 并应用于语言模型中。实验证明于离散分布上离散自回归流优于自回归基线模型,在字符级别的语言建模上离散二部流可以与自回归基线模型竞争。
May, 2019
本文介绍了一种新型动态线性流方法(DLF),该方法结合了流式建模的高效性与自回归建模的高密度性能,可用于生成复杂分布,并在 ImageNet 数据集上取得了最新的最佳性能结果。
May, 2019
本研究提出了一种基于 Haar 小波变换的分块自回归模型,利用分块耦合法,通过对粗糙轨迹条件,精确地对不同时空分辨率下的轨迹进行建模并预测,以提高自主智能体的运行效果。在 Stanford Drone 和 Intersection Drone 两个真实数据集上进行测试,结果表明此模型的生成轨迹精准度和可变性均优于其他条件生成模型。
Sep, 2020
本篇研究提出了使用单调神经网络替代对条件仿射单变量转换的方法进行流式变换,称之为神经自回归流(NAF)。实验结果显示,NAF 在密度估计任务上表现出色,并在 MNIST 二值化数据集上的变分自编码器训练中表现出优于 IAF 的性能。
Apr, 2018