Metodes pierādījumu reģistrs

Normalizing Flows

Normalizing flows are a class of generative models that learn a complex probability distribution by applying a sequence of invertible, differentiable transformations to a simple base distribution such as a standard Gaussian. Introduced by Rezende and Mohamed (2015) in the context of variational inference, they enable exact likelihood computation and efficient sampling, making them a principled alternative to VAEs and GANs for density estimation and generation tasks.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

Normalizing Flows

Taksonomiskās metodes reģistrs · ml-model / deep-learning

Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. · URL

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Same method familyDiffusion Modelmachine-suggested · Relational suggestion, not evidence.Same method familyVariational Autoencodermachine-suggested · Relational suggestion, not evidence.