Przepływy normalizujące
Przepływy normalizujące to klasa modeli generatywnych, które uczą się złożonego rozkładu prawdopodobieństwa poprzez zastosowanie sekwencji odwracalnych, różniczkowalnych transformacji do prostego rozkładu bazowego, takiego jak standardowa dystrybucja Gaussa. Wprowadzone przez Rezende i Mohamed (2015) w kontekście wnioskowania wariacyjnego, umożliwiają dokładne obliczanie wiarygodności i efektywne próbkowanie, co czyni je zasadniczą alternatywą dla VAE i GAN w zadaniach estymacji gęstości i generacji.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/pl/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.
- Model dyfuzyjnyUczenie głębokie↔ compare
- Autoenkoder wariacyjnyUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →