Normalizující toky
Normalizující toky jsou třídou generativních modelů, které se učí složitou pravděpodobnostní distribuci aplikací posloupnosti invertibilních, diferencovatelných transformací na jednoduchou bázovou distribuci, jako je standardní Gaussova distribuce. Představeny Rezendem a Mohamedem (2015) v kontextu variačního odhadu umožňují přesný výpočet věrohodnosti a efektivní vzorkování, což z nich činí principální alternativu k VAE a GAN pro úlohy odhadu hustoty a generování.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/cs/deep-learning/normalizing-flows
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Difuzní modelHluboké učení↔ compare
- Variační autoenkodérHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →