本文提出使用正规化流作为灵活的似然模型,以及提出了一种有效的方法来适应复杂分布的条件密度估计问题,其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析,最终将该方法应用于两大数据集的空间密度建模任务上,并在某些情况下获得了最先进的性能。
Feb, 2018
通过引入基于正规化流的估计器,我们提出了一种新的互信息(MI)估计方法,该估计器将原始数据映射到具有已知闭式表达式的目标分布中。我们证明了我们的方法可以为原始数据提供 MI 估计。通过高维数据的实验证明了所提估计器的优势。
Mar, 2024
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
本文提出一种基于连续时间正规化流的生成模型,该流的速度场由时间依赖密度的概率流推断而来,可用于样本生成和密度估计,并可最小化插值密度的路径长度来建立最优传输映射。该方法通过对基于随机微分方程的方法的简化,使生成的流可以以低成本超越传统方法,并可在图像生成等任务上达到较理想的性能。
Sep, 2022
通过使用满射规范化流方法,在深度神经网络模型中计算单次前向传播,可可靠地识别来自分布之外的数据集。该方法基于深度不确定性量化和正则化流中的最新进展,应用于合成数据集并与其他模型进行比较,表明满射流模型是可靠区分分布内外数据的关键组成部分。
Nov, 2023
该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法,提出了一种名为 ConvFlow 的新型正则化流方法,并证明了其在合成和实际问题中的有效性和效率。
Nov, 2017
基于特征密度估计和正态流的无监督型外分布检测方法可应用于任意预训练模型,通过密度阈值实现检测,并在图像分类中表现出强大的远外分布数据检测结果,包括 ImageNet-1k 与纹理的 98.2% AUROC,超过现有技术 7.8%。我们还探讨了预训练模型的特征空间分布与我们方法性能之间的关联,并提供了应用正态流用于外分布检测时的训练陷阱。
Feb, 2024
本研究介绍了一种名为 NIF 的流行有噪声映射模型,可以通过注入变换学习数据流形的降维表示,有效提高了样品质量和数据嵌入的可分性。
Jun, 2020
本文提出了一种基于流模型的方法来估计条件密度并解决逆问题,并通过实验验证其在产生高质量样本和不确定性量化方面的有效性。
Feb, 2020
该研究介绍了分段归一化流,将目标分布划分为具有更好匹配标准正态基本分布拓扑结构的群集,并训练一系列流来建模复杂的多模式目标。
May, 2023