論文の概要: Flows for Flows: Training Normalizing Flows Between Arbitrary
Distributions with Maximum Likelihood Estimation
- arxiv url: http://arxiv.org/abs/2211.02487v1
- Date: Fri, 4 Nov 2022 14:30:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 17:01:33.288349
- Title: Flows for Flows: Training Normalizing Flows Between Arbitrary
Distributions with Maximum Likelihood Estimation
- Title（参考訳）: 流れの流れ:最大近似による任意分布間の流れの正規化の訓練
- Authors: Samuel Klein, John Andrew Raine, Tobias Golling
- Abstract要約: 正規化フローは、既知の密度を持つ基底分布と、トラクタブルヤコビアンを持つ微分同相から構成される。
正規化フローの基底密度は異なる正規化フローによってパラメータ化することができ、任意の分布間の写像を見つけることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Normalizing flows are constructed from a base distribution with a known
density and a diffeomorphism with a tractable Jacobian. The base density of a
normalizing flow can be parameterised by a different normalizing flow, thus
allowing maps to be found between arbitrary distributions. We demonstrate and
explore the utility of this approach and show it is particularly interesting in
the case of conditional normalizing flows and for introducing optimal transport
constraints on maps that are constructed using normalizing flows.
- Abstract（参考訳）: 正規化フローは、既知の密度を持つ基底分布と、トラクタブルヤコビアンを持つ微分同相から構成される。
正規化流れの基底密度は異なる正規化流れによってパラメータ化することができ、任意の分布の間で写像を見つけることができる。
この手法の有用性を実証・検討し,条件付き正規化流の場合には特に興味深いことを示し,正規化流を用いて構築される写像に最適輸送制約を導入する。
関連論文リスト
- Detecting and Mitigating Mode-Collapse for Flow-based Sampling of
Lattice Field Theories [6.222204646855336]
格子場理論の文脈における正規化流れのモード崩壊の結果について検討する。
本稿では,モード崩壊の度合いを定量化し,その結果の偏りを導出する指標を提案する。
論文 参考訳（メタデータ） (2023-02-27T19:00:22Z) - Building Normalizing Flows with Stochastic Interpolants [11.22149158986164]
一対の基底分布と対象分布の間の連続時間正規化フローに基づく単純な2次モデルを提案する。
この流れの速度場は、基地と目標の間を有限時間で補間する時間依存分布の確率電流から推定される。
論文 参考訳（メタデータ） (2022-09-30T16:30:31Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳（メタデータ） (2022-03-08T08:57:43Z) - 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) - Integrable Nonparametric Flows [5.9774834479750805]
本稿では,無限小変化のみを仮定した無限小正規化フローを確率分布に再構成する手法を提案する。
これは、フローの正規化という従来のタスクを逆転させる。
量子モンテカルロ問題と機械学習の潜在的な応用について論じる。
論文 参考訳（メタデータ） (2020-12-03T16:19:52Z) - 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) - Riemannian Continuous Normalizing Flows [21.879366166261228]
常微分方程式の解としてフローを定義するモデルである連続正規化フローを導入する。
このアプローチは、合成データと実世界のデータの両方において、大幅な改善をもたらす可能性があることを示す。
論文 参考訳（メタデータ） (2020-06-18T15:18:51Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。