Jul, 2022

变分流图模型

PDF
TL;DR本文提出了一种名为 VFG 模型的创新方法，通过信息传递方案将流模型与分层结构相结合，实现高维数据的表示学习与概率推断，并具有流的隐含可逆结构的通用逼近器性质。
发现论文，激发创造
  • GFlowNets 和变分推断

    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

  • 变分梯度流深度生成学习

    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

  • 学习具有观测或潜在 FVS 的高斯图模型

    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

  • VFlow: 用变分数据增强方法实现更具表现力的生成式流模型

    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

  • 超几何变分图神经网络模型用于动态图建模

    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

  • 因子图上基于神经网络的增强置信传播

    本文提出了一种新的混合模型，将因子图神经网络与置信传播结合起来，通过每一次迭代交替地运行，从而在误差纠正编码任务方面优于置信传播。

    Mar, 2020

  • 变分图循环神经网络

    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

  • 变分流匹配用于图生成

    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

  • 生成流网络的贝叶斯结构学习

    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

  • 无向图模型中的神经变分推断和学习

    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