Normalizing Flows
Le normalizing flows sono una classe di modelli generativi che apprendono una distribuzione di probabilità complessa applicando una sequenza di trasformazioni invertibili e differenziabili a una distribuzione di base semplice, come una Gaussiana standard. Introdotti da Rezende e Mohamed (2015) nel contesto dell'inferenza variazionale, consentono il calcolo esatto della verosimiglianza e il campionamento efficiente, rendendoli un'alternativa rigorosa a VAE e GAN per la stima della densità e i compiti di generazione.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/it/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.
- Modello di diffusioneApprendimento profondo↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →