Flux normalisés
Les flux normalisés constituent une classe de modèles génératifs qui apprennent une distribution de probabilité complexe en appliquant une séquence de transformations inversibles et différentiables à une distribution de base simple, telle qu'une gaussienne standard. Introduits par Rezende et Mohamed (2015) dans le contexte de l'inférence variationnelle, ils permettent un calcul exact de la vraisemblance et un échantillonnage efficace, ce qui en fait une alternative principielle aux VAE et aux GAN pour les tâches d'estimation de densité et de génération.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Comment citer cette page
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/fr/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.
- Modèle de diffusionApprentissage profond↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →