Jan, 2024

AdvNF：使用对抗学习减少条件归一化流中的模式坍缩

PDF
TL;DR通过对条件 NFs 的研究，我们提出了对抗训练以解决高方差、模式崩溃和数据效率等核心问题，通过在低维度的合成数据集和 XY 自旋模型上进行实验证明。
deep generative modelsmarkov-chain-monte-carlo methodsnormalising flows (nfs)metropolis hastings algorithmadversarial training
发现论文，激发创造
  • 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

  • 归一化流的变体和放宽

    通过结合其他生成模型类别的方面，如 VAEs 和基于分数的扩散，放宽了 NFs 的严格双射约束，从而实现了表达能力、训练速度、样本效率和似然可追踪性的平衡。

    Sep, 2023

  • 在潜空间中使用 Langevin 动态对正规化流采样

    本文提出了一种新的马尔可夫蒙特卡罗算法来应对标准归一化流在复杂分布上可能出现的病态问题，并将其与传统方法进行了比较，结果表明该方法不需要专门的训练，并且可以简单地与任何预先经过训练的 NF 网络结构一起使用。

    May, 2023

  • 高维变分推理的稳定正则流训练

    通过使用软阈值和双射软对数变换方法，本文提出了稳定训练 Real NVPs 并在高维情景下实现更准确的后验近似的方法。

    Feb, 2024

  • 公平的变换流

    本文提出了公平正则流 (FNF) 的方法来保证公平性，FNF 模型将敏感信息通过对编码器进行归一化流建模的方法来区分不同的群体，从而提供更严格的公平保障与最大不公平性的保障，并证明了其在各种具有挑战性的实际数据集上的有效性。

    Jun, 2021

  • 随机正常化流

    提出了随机归一化流的概念，它是一种在机器学习和统计力学领域中解决概率分布采样问题的方法，具有较快的采样效率和较强的表示能力。

    Feb, 2020

  • 通过正则流在无策略算法中利用探索

    通过使用正则化流，将软 actor-critic（SAC）方法扩展到更丰富的概率分布类别，能够显着提高策略的探索性能，同时使用更小的策略表示，增加了参数效率。

    May, 2019

  • 因果规范流：从理论到实践

    本研究探讨使用归一化流进行因果推理，在实验证明了基于归一化流的原因模型可以回答干预和反事实问题。

    Jun, 2023

  • NanoFlow: 可扩展的归一化流，具有次线性参数复杂度

    本研究提出了一种名为 NanoFlow 的新参数化方案，可以使用单个神经密度估计器来模拟多个转换阶段，实现了可扩展的归一化流的新的参数有效解决方案。

    Jun, 2020

  • 马尔可夫流匹配：用连续正规化流加速 MCMC

    通过建模生成概率路径的向量场，连续归一化流（CNFs）利用神经网络学习参考密度与目标密度之间的概率路径。本文重新利用流匹配（FM）方法，结合马尔可夫采样方法评估 FM 目标和使用学习的概率路径改进蒙特卡洛采样，将该方法用于概率推断。我们提出了一种顺序方法，利用马尔可夫链的样本修正定义 FM 目标的概率路径。我们增加了自适应调节机制以发现目标中的多个模式。在温和的假设下，我们证明了 FM 目标的局部最优收敛性，讨论了收敛速率的改进，并在合成和真实世界示例中说明了我们的方法。

    May, 2024