- 由于分布不匹配,SVHN 数据集对概率生成模型具有误导性
警告使用 Street View House Numbers 数据集进行生成建模任务时存在的分布不匹配问题,并提供了一种解决方法:混合重新划分训练集和测试集。
- 属性概率图生成模型的拟合度
通过对随机二进制网络的均方配 contingency 系数的差异(常数或随机)进行最小化,验证了概率生成模型对各种流行图模型的表示能力。
- ICML物理动力系统扩散模型中的用户定义事件采样与不确定性量化
通过开发一种概率近似方案,使扩散模型能够在推理时间内有条件地采样非线性用户定义事件,从而匹配数据统计,即使从分布的尾部进行采样。
- 通过无限潜在状态复制改进主题模型推断
本文提出了一种基于无限潜在状态复制(ILR)的新型推理方法,旨在改善用于主题建模中的 CGS 推理。实验结果表明,与 CGS 推理相比,ILR 在现有主题模型的推理方面表现更出色。
- IJCAI神经时空点过程:综述
该文章综述了有关神经时间点过程的现有知识,讨论了神经时间点过程的设计选择、通用原则和应用领域,并列出了该领域未来工作的重要方向和挑战。
- 小波流:高分辨率归一化流的快速训练
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。
- CVPR使用条件概率生成模型进行开集识别
本文提出了一种新的条件概率生成模型(CPGM)框架,将辨别信息引入到概率生成模型中,以检测未知样本并分类已知类别。通过在多个基准数据集上进行实验,证明该方法明显优于基线并取得了新的最佳性能。
- 基因组关联研究的隐式因果模型
本次研究主要集中于建立更为丰富的因果模型,以此来解决基因因素与人类主要疾病之间的因果关系等问题,并且采用了现代概率建模的思想,如采用神经结构并结合隐式条件来建立该模型。
- 生成模型中模型选择的相对相似性测试
该研究提出了一种基于最大平均差异度量方法的概率生成模型选择统计测试,在对深度生成模型进行实验时,该测试能够对不同参数和训练设置下的模型性能进行有意义的排名。
- 生成模型评估注意事项
概率生成模型评估标准的独立性存在着许多亟需关注的性质,本文重点评估了影像模型,阐明对于高维数据当前最常用的三个标准,即平均对数似然、Parzen 窗口估计和样本视觉保真度,这些几乎是相互独立的;因此,好的表现不一定意味着好的其他标准的表现, - 概率几何度量
使用 Riemannian 几何工具研究了概率生成降维模型的几何结构,以高斯过程为基础,定义了一种度量分布,利用度量在潜变量空间中进行插值并测量距离,从而更恰当地生成新数据。