- 使用典型性检测深度生成模型的超出分布输入
本文提出了一种使用模型似然值的统计原理测试方法,可以检测深度生成模型对于分布外样本的高概率密度区域,实验验证了该方法在多个挑战性场景中成功检测出分布外数据集。
- 高斯混合模型的直接拟合
该论文提出了一种将高斯混合模型直接拟合于三角网格的新方法,这可提高几何目标的似然性评估,并产生更高质量的 GMMs 以及对于网格和 RGB-D 框架的 3D 配准,该方法具有普适性。
- WaveGlow:基于流的生成网络用于语音合成
本文提出了 WaveGlow,这是一种基于流的网络,能够从 mel - 频谱生成高质量的语音,它基于 Glow 和 WaveNet 的理解,提供了快速、高效和高质量的音频合成,无需自回归,并使用单一的成本函数进行训练。我们的 PyTorch - 图像变换器
在这项工作中,我们将基于自我关注机制的模型架构 ——Transformer 模型,泛化到图像生成的序列建模问题上,并通过限制自我关注机制只关注局部邻域,显著提高了模型能够实际处理的图像大小,同时在图像生成方面显著优于当前最优秀的状态,提高了 - NIPS概率生成对抗网络
本篇文章介绍了基于概率生成对抗网络 (PGAN) 的新型 GAN 变体, 它将概率模型 (在本例中是高斯混合模型) 整合到 GAN 框架中,从而支持一种新的损失函数,并提供一种有意义的衡量网络生成输出质量的方法,实验证明 MNIST 数据集 - 从短双重截断事件序列学习霍克斯过程
提出一种基于数据合成的方法,通过对潜在候选项进行前后事件预测和拼接来综合短双重截断事件(SDC)序列,进而应用于 Hawkes 过程的数量异步事件序列分析问题的研究。实验结果表明该数据合成方法可用于改善固定和时间变化的 Hawkes 过程的 - PixelCNN++:使用分立的逻辑混合似然和其他修改提高 PixelCNN
介绍了 PixelCNNs 生成模型的改进实现,使用了离散化的对数混合似然函数、对整个像素进行调节、采用下采样等多种优化方法。在 CIFAR-10 数据集上获得了最先进的对数似然值结果。
- 双向 Helmholtz 机器
本文提出了一种新的深度生成模型训练方法,将自下而上的近似推断模型和自上而下的生成模型互相逆转,取得了最先进的生成模型,使近似推断的效率更高。
- 具有不可解似然函数的变分贝叶斯方法
本文提出的变分贝叶斯方法可以推广到似然函数难以处理,但可以偏差无偏估计的情况,这种方法能够以较高精度近似获得边际后验分布。
- 用于紧凑双星并合引力波的快速并行参数估计新方案
本文提出一种并行化体系结构,使用引力波数据和波形模型估计紧凑二进制合并参数,通过球形谐波模式分解来将波形表达为取决于固有参数的模的总和,并通过固定固有参数的模来预先筛选数据,并使用 Monte Carlo 积分策略整合所有外在参数,从而高效 - 深层有向生成自编码器
该论文探讨了用离散函数 $f (⋅)$ 作为编码器,深度神经网络作为编码器和解码器的模型,以及通过预训练和逐步转换数据分布来优化模型性能的方法。
- 关于双重难以计算似然贝叶斯推断的随机死亡估计
解决双重难以计算的分布后验的几种逼近方法被回顾了,同时提出了一种基于物理学文献的替代方法用于表示难以计算的似然函数,并使用量子色动力学文献结果对其进行了评估。
- 什么是 “随机缺失”?
本研究提供了 “随机缺失” 和 “完全随机缺失” 的规范精确定义,以明确缺失机制被忽略的条件,从而在各种推理范式下获得有效推论。
- 数据建模的 RooFit 工具包
RooFit 是一个用 C++ 编写的库,用于在 ROOT 环境中进行数据建模,支持建立复杂的拟合模型和使用似然函数进行拟合、绘图和大规模数据处理。
- Sigmoid 信念网络的平均场理论
本文基于统计力学的思想,发展了一种适用于 Sigmoid 信念网络的均场理论,能够对真实的概率分布进行可追溯的逼近,并提供证据可能性的下限。我们展示了该框架在统计模式识别领域中的实用性,特别是在手写数字分类的基准问题上。