Sep, 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

PDF
TL;DR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。
data analysisnormalizing flowsprobability densitymorphingmaximum likelihood estimation
发现论文，激发创造
  • 条件归一化流在优化权重重构中的应用

    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

  • 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

  • 平滑归一化流

    本文介绍了一种使用混合变换的规范连续流方法，可应用于计算力和高阶导数所需的平滑密度函数，并可用于分子动力学模拟。

    Oct, 2021

  • 切割 - 瓦瑟斯坦标准化流：超越最大似然训练

    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

  • 自由形式流动：使任何架构成为标准化流量

    我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

    Oct, 2023

  • 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

  • 尝试从生成流的潜空间中生成新的桥梁类型

    本文介绍了归一化流在高维矩阵行列式计算和神经网络可逆变换这两个应用挑战中的巧妙应用，并使用三孔梁桥、拱桥、斜拉桥和悬索桥的对称结构图像数据集构建和训练了基于 TensorFlow Probability 库中的 Glow API 的归一化流模型，使其能够将桥梁数据集的复杂分布平滑地转换为标准正态分布，并通过对获得的潜在空间进行采样，生成与训练数据集不同的新桥梁类型。

    Jan, 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

  • 一种所有问题的流动：使用单一归一化流和开关改进高能物理中的模拟

    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

  • 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