基于Copula的标准化流
本文综述了Normalizing Flows在分布学习中的构建和使用,旨在提供模型的背景和解释,回顾现有的最新文献,并确定未来可行的有前途的方向和未解决的问题。
Aug, 2019
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
本文讨论利用鲁棒统计学的见解进一步改进基于流模型的方法,具体地,使用多变量的学生$t$分布, 替代传统标准化流使用的高斯分布。实验证明,使用更胖尾的基础分布可以提高算法的容错性并减少一般化差距,而不损害方法的渐近一致性和去其损失数据似然性的方法。
Jun, 2020
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
提出COMET流方法用于建模极值现象,将建模联合分布过程分为建模边际分布和建模copula分布两部分,其中结合parametric tail belief和kernel density function来表达重尾边缘分布;同时利用inducing low-dimensional manifold structure来表达多元极值中的非对称尾依赖,并给出相关实验结果。
May, 2022
本文尝试提高normalizing flows在正确捕捉tail behavior方面的能力,通过理论分析和实验比较,证明了基于灵活的基础分布和数据驱动线性层的新型流方法可以显著提高深度生成模型的精度,特别是在分布的尾部,展示了在天气和气候预测中应用的案例。
Jun, 2022
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