Normaliserende flows
Normaliserende flows er en klasse af generative modeller, der lærer en kompleks sandsynlighedsfordeling ved at anvende en sekvens af invertible, differentierbare transformationer på en simpel basisfordeling, såsom en standard Gaussisk. De blev introduceret af Rezende og Mohamed (2015) i konteksten af variationsinferens og muliggør eksakt likelihood-beregning og effektiv sampling, hvilket gør dem til et principielt alternativ til VAE'er og GAN'er til densitetsskøn og genereringsopgaver.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/da/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.
- DiffusionsmodelDyb læring↔ compare
- Variational AutoencoderDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →