Normalizing Flows

Normalizing Flows sind eine Klasse generativer Modelle, die eine komplexe Wahrscheinlichkeitsverteilung lernen, indem sie eine Sequenz invertierbarer, differenzierbarer Transformationen auf eine einfache Basisverteilung wie eine Standard-Gauß-Verteilung anwenden. Sie wurden von Rezende und Mohamed (2015) im Kontext der Variationsinferenz eingeführt und ermöglichen die exakte Likelihood-Berechnung und effizientes Sampling, was sie zu einer prinzipienfesten Alternative zu VAEs und GANs für Dichteschätzung und Generierungsaufgaben macht.