Apr, 2023

条件归一化流在优化权重重构中的应用

PDF
TL;DR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。
发现论文，激发创造
  • 分段正则流

    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

  • 从一个数据集到另一个数据集的流动：最大似然估计的变形

    利用正则化流模型，在没有明确知道数据集概率密度的情况下，通过最大似然估计训练正则化流，实现从一个数据集到另一个数据集的变形策略，并研究数据点的移动程度以统计匹配两个数据集，同时以特定特征为条件来生成变形函数。

    Sep, 2023

  • 基于贝叶斯归一化流的条件密度估计

    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

  • 训练计算密集型目标概率分布的正则化流

    机器学习技术特别是所谓的标准化流在蒙特卡洛模拟中变得越来越受欢迎，因为它们可以有效地逼近目标概率分布。在格点场论中，目标分布由作用的指数给出。我们提出了一种基于 REINFORCE 算法的标准化流估计器，避免了相关的计算问题，应用于临界维度的二维 Schwinger 模型，并显示它相比重新参数化技巧估计器的墙钟时间更快，内存需求减少了 30％，数值上更稳定，并允许进行单精度计算和使用半浮点张量核心。我们深入分析了这些改进的原因，这些优点也将出现在目标概率分布计算复杂的其他领域中。

    Aug, 2023

  • 正规流：当前方法的介绍与评述

    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

  • 图形正态流

    本文提出了一种基于贝叶斯网络和图结构的图归一化流模型，在保留贝叶斯网络的可解释性和图归一化流的表示能力的同时，为将领域知识注入图归一化流提供了一个有前途的方法。

    Jun, 2020

  • 可变尾巴的正则化流动

    使用高斯基础分布和最终变换层来生成重尾，我们提出了尾部变换流（TTF）方法，实验证明此方法在目标分布具有大维度或重尾权重时表现优于当前方法。

    Jun, 2024

  • 基于正则化流的事件生成

    该论文提出了一种基于归一化流的新型积分器，可用于提高碰撞器物理模拟中的 Monte-Carlo 事件生成器的去加权效率，相对于基于替代模型的机器学习方法，我们的方法可以生成正确的结果，即使底层神经网络没有经过最优训练，我们以 Drell-Yan 型过程在 LHC 上的例子来说明这种新策略。

    Jan, 2020

  • 概率建模与推理的正则化流

    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

  • 使用条件正则流学习似然函数

    本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。

    Nov, 2019