Normalizáló áramlatok
A normalizáló áramlatok (normalizing flows) generatív modellek olyan osztályát alkotják, amelyek egy egyszerű alapeloszláson, például egy standard Gauss-eloszláson végrehajtott, invertálható, differenciálható transzformációk sorozatának alkalmazásával tanulnak meg egy komplex valószínűségi eloszlást. Rezende és Mohamed (2015) által a variációs inferencia kontextusában bevezetett modellek lehetővé teszik az egzakt valószínűségi hányados (likelihood) kiszámítását és hatékony mintavételezést, így elvileg megalapozott alternatívát kínálnak a VAE-k és GAN-ok számára sűrűségbecslési és generálási feladatok esetén.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/hu/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.
- Modell (mélytanulás)Mélytanulás↔ compare
- Variációs AutoencoderMélytanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →