Normalizing Flows （NF) - 流模型 - 研究方向

whatever?picky?

已于 2022-02-21 14:35:15 修改

阅读量2.2k

点赞数 1

CC 4.0 BY-SA版权

文章标签：机器学习深度学习人工智能

于 2022-02-21 13:43:37 首次发布

本文链接：https://blog.csdn.net/weixin_44522007/article/details/123045339

本文介绍了正则化流（Normalizing Flows, NFs）的研究重点，包括归纳性偏差、微分同胚的形式以及损失函数。讨论了基准度量在建模中的作用，微分同胚的架构选择，以及非欧几里得空间和离散分布的泛化问题。此外，还提出了在训练NFs时的开放性问题和可能的研究方向。" 121693284,1196778,Python 3.8 使用aiohttp SSL连接错误解决方案,"['Python', 'SSL', '网络编程', 'aiohttp']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Normalizing Flows: An Introduction and Review of Current Methods (2020 TPAMI)

Open problems and possible research directions

NFs研究方向

Inductive biases (归纳性偏置)
	role of the base measure （基准测量的作用）
	Form of diffeomorphisms （微分同胚的形式）
	loss function
Generalisation to non-Euclidean spaces（非欧几里得空间的泛化）
	flows on manifolds
	discrete distributions (离散分布) 去量化dequantization，（即在离散数据中加入噪声，使其成为连续数据）