变分流图模型
这篇文章研究了两种概率算法(层次)变分推断(VI)和生成流网络(GFlowNets)之间的关系。作者发现,在某些情况下,VI 算法等价于 GFlowNets 的特殊情况,但 GFlowNets 比 VI 更适宜于强化学习和多模态目标分布的捕捉。
Oct, 2022
提出 VGrow 框架来学习深度生成模型,通过 $f$-divergence 进行梯度流,使用 logD-trick GAN 来作为新的目标函数评估不同的散度,结果表明 VGrow 可以生成高保真图像并且表现优异。
Jan, 2019
本文研究带有小反馈顶点集的高斯图模型,提出了有效的结构学习算法,特别是针对隐藏变量的情况,能够通过交替低秩校正等方式成功地学习模型参数,并用合成数据和真实数据进行了验证。
Nov, 2013
本文介绍了一种通过增加数据而扩展中间维度限制的方法 VFlow,提高了生成流模型的表达能力,并在 CIFAR-10 数据集上实现 2.98 bits per dimension 的最新成果。
Feb, 2020
本文提出了在超几何空间学习动态图形表示的方法,并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性,设计了基于 HVGNN 的超几何图像变分自编码器用于生成具有随机性质的节点表征,此外还引入了超几何正态分布的可重参数采样算法,用于使 HVGNN 具有梯度优化能力,并在现实数据集上的实验中取得了优于现有基线的效果。
Apr, 2021
本文提出一种新的层级变分 GRNN 模型,引入额外的潜在随机变量来联合建模动态图的隐藏状态。使用半隐式变分推理开发此新 VGRNN 架构(SI-VGRNN)并在多个真实世界的动态图数据集上进行实验,结果表明 SI-VGRNN 和 VGRNN 在动态链接预测中连续优于现有基线和最先进的方法。
Aug, 2019
我们提出了一种称为变分流匹配 (VFM) 的流匹配式变分推理,即基于这个公式我们开发了 CatFlow,这是一种用于分类数据的流匹配方法,它易于实现、计算效率高,并在图生成任务中取得了较好的结果。
Jun, 2024
本研究提出了一种称为 DAG-GFlowNet 的方法,使用 Generative Flow Networks 代替 MCMC 来近似推断 Bayesian 网络结构的后验分布。实验结果表明,DAG-GFlowNet 能够提供准确的 DAG 后验近似,并且相对于 MCMC 或变分推断等方法具有优势。
Feb, 2022
本文提出了针对无向模型的黑盒学习和推理算法,通过使用变分逼近模型 log-likelihood 的上界优化算法,其中重要的是由灵活神经网络表达的 log-partition 参数化函数上界。我们的算法可加速采样,训练广泛类别的混合有向 / 无向模型,并在多个流行生成建模数据集上验证了其有效性。
Nov, 2017