半等变条件归一化流
该研究论文提出了一个半有条件的标准流模型,用于半监督学习,使用带标签和未标签数据来学习物体和标签的联合分布的显式模型,模型的条件部分基于提出的条件耦合层,在 MNIST 数据集上,该模型在半监督分类问题上的表现优于基于变分自动编码器的基准方法。
May, 2019
介绍了一种生成模型,E(n)同变标准化流(E -NFs),并将歧视性的 E(n)图神经网络作为微分方程集成为可逆的同变函数:连续时间标准化流。它在粒子系统(如 DW4 和 LJ13)以及 QM9 的分子方面表现出了比基线和现有方法更好的对数似然度,是第一种共同生成 3D 中分子特征和位置的流。
May, 2021
FlowGMM 是一种基于正则化流的端到端方法,用于生成半监督学习,具有可解释性,适用于广泛的数据类型,包括文本数据、表格数据和半监督图像分类,并能够发现可解释的结构、提供实时的无优化特征可视化等。
Dec, 2019
通过使用离散层构建等变归一化流,我们引入了三种新的等变流:$G$-Residual Flows,$G$-Coupling Flows 和 $G$-Inverse Autoregressive Flows,除了理论研究外,还在像 CIFAR-10 这样的图像数据集上进行了实证实验来证明其效果。
Oct, 2021
本文提出 Riemannian 连续正规化流模型,通过设置连续性流作为常微分方程的解来定义流,其可以对光滑流形上的灵活概率测度进行有效参数化,在合成和现实数据方面与标准流或先前介绍的预测流相比可以显著提高表现。
Jun, 2020
通过条件归一化流来学习完整条件概率分布以匹配目标分布,消除模拟样本中的误建模,较之常见的重新加权技术,该方法独立于分组选择且不依赖于两个分布之间密度比率的估计,其可以提供高达三倍的统计精度,同时在高能粒子物理应用领域也具有一定的潜力。
Apr, 2023