ICMLOct, 2020
可扩展的置换不变密度归一化流
Scalable Normalizing Flows for Permutation Invariant Densities
Marin Biloš, Stephan Günnemann
TL;DR提出了定义置换等变性转化的替代方法以解决连续归一化流族的重要问题,将点过程和一般集合建模示例应用于该方法中,以此来改进投向方案的性能和最终表现。
Abstract
modeling sets is an important problem in machine learning since this type of
data can be found in many domains. A promising approach defines a family of
→
发现论文,激发创造
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
自归一化流
本研究提出了自正则化流的概念,通过使用每一层中的学习近似反演,将昂贵的项替换为其梯度的自我正则化流,实现了流架构的培训,同时提供了高效的采样方法。实验表明,这些模型具有显著的稳定性,并优于在计算中限制函数的模型。
Nov, 2020
黎曼连续归一化流
本文提出 Riemannian 连续正规化流模型,通过设置连续性流作为常微分方程的解来定义流,其可以对光滑流形上的灵活概率测度进行有效参数化,在合成和现实数据方面与标准流或先前介绍的预测流相比可以显著提高表现。
Jun, 2020
正则化流中深度和条件化的表征特征
本文研究了对于对数几率模型的归一化流表示,主要关注模型深度和分区选择实现上的困难。结果表明,每个分区仅需 Theta (1) 个仿射耦合层就足以精确表示排列或者 1*1 的卷积,同时也被证明具有较好的普适性。同时我们也展示了对于少量神经元元素和有限 Lipschitz 常数的流构架的深度下限。
Oct, 2020
概率建模与推理的正则化流
本文综述了正则流动的研究现状,通过概率建模和推断的视角,分析了其表达能力、计算权衡等基础原理,并将其与更一般的概率转换联系起来,总结了其在生成建模、近似推断和监督学习等任务中的应用。
Dec, 2019