用于稳健和最优宇宙分析的多尺度流
本文介绍了基于小波变换的多尺度归一化流 Wavelet Flow,它具有低分辨率信号的显式表示和高分辨率信号的条件生成等多个优点,并在比特 / 维度标准测试中表现出与以前的归一化流相媲美的性能。
Oct, 2020
提出了一种基于 MLE 和 sliced-Wasserstein 距离的混合目标函数培训规范化流模型的方法,此方法在合成玩具示例和实际图像数据集上取得了更好的生成能力,通过该方法得到的规范化流模型具有更高的数据保真度,可更好地检测出分布之外的数据。
Jul, 2022
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
无监督异常检测中,使用没有任何异常信息的仅限正常样本进行训练的流模型,能够有效地区分可预测和不可预测的异常数据,而针对不同大小变化的异常数据,我们提出了一种名为 MSFlow 的新型多尺度流模型框架,能够在图像级别和像素级别进行异常检测和定位,经验证在三个异常检测数据集上明显优于现有方法,并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。
Aug, 2023
本文提出了 SoftFlow,一种用于训练流模型的概率框架,能够更好地捕捉流模型的困难维度,并通过应用于三维点云数据,可以更准确地预测各种形状的分布,达到了流模型生成方面的最佳表现。
Jun, 2020
研究中使用正规化流构建似然函数来实现从低能量测量到高能量 BSM 模型的准确信息传递,研究了一种特定形式的正规化流,应用于多模式和非高斯示例,并量化了似然函数及其检验统计量的准确性。
Sep, 2023
在高能物理分析中,模拟事件是几乎所有研究的关键要素。本文介绍了一种基于单一归一化流和布尔条件的简单方法,用于将一个多维分布(模拟数据)转化为另一个多维分布(实际数据),以对相关可观测量进行校正。实验证明了该方法在包含多个可观测量及其相关性的模拟数据中的有效性。
Mar, 2024
本文介绍一种构建多模式目标下流水线模型的新方法,应用于二维实标量场理论的对称破缺相建模中,研究不同基于流模型的采样算法的表现,包括一种复合采样算法,其中偶尔会使用传统算法如 HMC 进行更新。
Jul, 2021