Normalizing Flows
Normalizing flows zijn een klasse van generatieve modellen die een complexe waarschijnlijkheidsverdeling leren door een reeks inverteerbare, differentieerbare transformaties toe te passen op een eenvoudige basisverdeling, zoals een standaard Gaussische verdeling. Geïntroduceerd door Rezende en Mohamed (2015) in de context van variationele inferentie, maken ze exacte waarschijnlijkheidsberekening en efficiënte sampling mogelijk, waardoor ze een principieel alternatief vormen voor VAE's en GAN's voor dichtheidsschatting en generatietaken.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/nl/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.
- Diffusion ModelDeep learning↔ compare
- Variational AutoencoderDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →