Oct, 2023

通过使用高斯混合模型和遮蔽自回归流进行概率分类

PDF
TL;DR使用密度估计方法的分类器通过使用高斯混合模型和掩码自回归流等方法来建模数据的类别似然度，优于仅使用单个高斯分布的简单分类器。这项研究为提出其他基于联合密度估计的概率分类器打开了研究之门。
发现论文，激发创造
  • 掩码自回归流密度估计

    使用 Masked Autoregressive Flow 构建自回归模型栈，提高神经密度估计的灵活性，达到最先进的性能表现。

    May, 2017

  • 图混合密度网络

    该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

    Dec, 2020

  • 变换自回归网络

    本文旨在系统地表征密度估计方法，提出多种新方法，在真实数据和合成数据上进行全面研究，结果表明变量转换和自回归条件模型相结合可以显著提高性能，并将模型用于异常检测和图像建模，最后介绍了一种用于学习分布族的新的数据驱动框架。

    Jan, 2018

  • 神经自回归流

    本篇研究提出了使用单调神经网络替代对条件仿射单变量转换的方法进行流式变换，称之为神经自回归流（NAF）。实验结果显示，NAF 在密度估计任务上表现出色，并在 MNIST 二值化数据集上的变分自编码器训练中表现出优于 IAF 的性能。

    Apr, 2018

  • 同时流形学习和密度估计的流形

    介绍了一种名为 manifold-learning flows（M-flows）的生成模型，其可以同时学习数据流形以及流形上的概率密度，并提供降维、去噪以及区分分布等功能。同时，新的训练算法能够分离流形和密度更新，并通过一系列实验证明，M-flows 可以学习数据流形并比标准 normalizing flows 在全局数据空间下提供更好的推理。

    Mar, 2020

  • MaCow：掩模卷积生成流

    本文介绍了一种基于掩蔽卷积的生成式流模型 (MaCow)，通过对小卷积核的本地连接进行限制，实现快速而稳定的训练和高效的采样，显著提高了标准图像基准测试的密度估计性能，极大地缩小了与自回归模型之间的差距。

    Feb, 2019

  • 使用深度高斯混合模型估计缺失值的条件密度

    本研究提出了一种结合深度神经网络灵活性和高斯混合模型简洁性的方法来估计缺失值的条件概率分布，并实验验证了我们的模型在插补缺失值方面的有效性。

    Oct, 2020

  • 自回归能量机

    Autoregressive Energy Machine 是一种高效的基于能量的神经网络模型，具备在无监督学习中广泛使用的灵活性，可以在不受概率密度限制的条件下计算归一化常数，实现在密度估计任务中的最优表现。

    Apr, 2019

  • MADE: 遮蔽自编码器用于分布估计

    本研究提出了一种简单的神经网络自编码器模型，可以遵守自回归约束实现强大的生成模型，其输出结果可以被理解为一组条件概率，可以用于多种架构，包括深度架构，并通过实验证明其与现有的可计算分布估算器的表现相当竞争力，并且测试时速度显著更快，规模更大。

    Feb, 2015

  • 少样本自回归密度估计：走向学习分布的学习

    本文介绍了如何通过将神经注意力和元学习技术与自回归模型相结合，实现对少量样本实现高效密度估计，从而对于图像生成等领域有重要的应用。

    Oct, 2017