Nov, 2020

因果自回归流

PDF
TL;DR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。
normalizing flowscausalityautoregressive flow architecturesidentifiable causal modelscausal inference
发现论文，激发创造
  • 自回归流的因果发现和推断

    这篇论文探讨了利用自回归流模型进行因果推断任务，包括因果关系发现、干预预测和反事实预测，并提出了一种新的流结构来执行所有三个任务，该方法在综合数据和基准数据集上得到了有效验证。

    Jul, 2020

  • 因果规范流：从理论到实践

    本研究探讨使用归一化流进行因果推理，在实验证明了基于归一化流的原因模型可以回答干预和反事实问题。

    Jun, 2023

  • 逆自回归流提高变分推断

    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

  • 基于正向传播的工业时间序列数据新颖性检测方法

    Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

    Jun, 2019

  • 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

  • 离散流：可逆离散数据生成模型

    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

  • 基于条件正则流的多元概率时间序列预测

    本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法，该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明，该方法在多个实际数据集上比现有技术表现更好。

    Feb, 2020

  • 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

  • 掩码自回归流密度估计

    使用 Masked Autoregressive Flow 构建自回归模型栈，提高神经密度估计的灵活性，达到最先进的性能表现。

    May, 2017

  • 神经自回归流

    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