Fugu-MT 論文翻訳(概要): Universal Approximation of Residual Flows in Maximum Mean Discrepancy

論文の概要: Universal Approximation of Residual Flows in Maximum Mean Discrepancy

arxiv url: http://arxiv.org/abs/2103.05793v1
Date: Wed, 10 Mar 2021 00:16:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-11 15:05:26.349544
Title: Universal Approximation of Residual Flows in Maximum Mean Discrepancy
Title（参考訳）: 最大平均差における残留流の普遍近似
Authors: Zhifeng Kong, Kamalika Chaudhuri
Abstract要約: リプシッツ残差ブロックからなる正規化流のクラスである残留流について検討する。残差流は最大平均差の普遍近似であることを示す。
参考スコア（独自算出の注目度）: 24.493721984271566
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Normalizing flows are a class of flexible deep generative models that offer easy likelihood computation. Despite their empirical success, there is little theoretical understanding of their expressiveness. In this work, we study residual flows, a class of normalizing flows composed of Lipschitz residual blocks. We prove residual flows are universal approximators in maximum mean discrepancy. We provide upper bounds on the number of residual blocks to achieve approximation under different assumptions.
Abstract（参考訳）: 正規化フローは、簡単な可能性計算を提供する柔軟な深層生成モデルのクラスです。経験的成功にもかかわらず、その表現性に関する理論的理解はほとんどない。本研究では,リプシッツ残差ブロックからなる正規化流のクラスである残差流について検討する。残差流は最大平均差の普遍近似であることを示す。異なる仮定の下で近似を達成するために、残余ブロック数の上界を提供する。

関連論文リスト

On the Universality of Coupling-based Normalizing Flows [10.479969050570684]
本稿では,RealNVP などの結合型正規化フローの分布定理を提案する。容積保存正規化フローは普遍的ではなく、どの分布を学習するか、どのように表現性を修正するかを示す。
論文参考訳（メタデータ） (2024-02-09T17:51:43Z)
Proximal Residual Flows for Bayesian Inverse Problems [0.0]
正規化フローの新しいアーキテクチャである近位残留流を導入する。一定の残差ブロックの可逆性を保証し、構造を条件付き残差流に拡張する。数値的な例において, 近位残留流の性能を実証する。
論文参考訳（メタデータ） (2022-11-30T16:49:49Z)
Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文参考訳（メタデータ） (2022-02-23T06:11:49Z)
Resampling Base Distributions of Normalizing Flows [0.0]
学習された拒絶サンプリングに基づいて,フローを正規化するためのベース分布を導入する。ログライクリフの最大化と逆Kulback-Leibler分散の最適化の両方を用いて、適切な学習アルゴリズムを開発する。
論文参考訳（メタデータ） (2021-10-29T14:44:44Z)
On the expressivity of bi-Lipschitz normalizing flows [49.92565116246822]
可逆函数 (invertible function) は、函数とその逆函数が有界リプシッツ定数を持つとき、ビ・リプシッツ (bi-Lipschitz) である。ほとんどの正規化フローは、設計または数値誤差を制限するための訓練によってバイリプシッツである。
論文参考訳（メタデータ） (2021-07-15T10:13:46Z)
Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文参考訳（メタデータ） (2020-11-14T09:51:51Z)
Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文参考訳（メタデータ） (2020-11-05T08:04:34Z)
Quasi-Autoregressive Residual (QuAR) Flows [0.0]
擬似自己回帰法(QuAR)を用いて残留流の簡易化を行う。従来の残流法と比較して、この単純化は残流の利点の多くを保ちながら、計算時間とメモリの要求を大幅に削減する。
論文参考訳（メタデータ） (2020-09-16T01:56:24Z)
SurVAE Flows: Surjections to Bridge the Gap between VAEs and Flows [78.77808270452974]
SurVAE Flowsは、VAEと正規化フローを含む構成可能な変換のためのモジュラーフレームワークである。提案手法は,SurVAE フローとして表現できることが示唆された。
論文参考訳（メタデータ） (2020-07-06T13:13:22Z)
Composing Normalizing Flows for Inverse Problems [89.06155049265641]
本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
論文参考訳（メタデータ） (2020-02-26T19:01:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。