Normalizing Flows
Normalizing flows su klasa generativnih modela koji uče složenu distribuciju verovatnoće primenom sekvence invertibilnih, diferencijabilnih transformacija na jednostavnu baznu distribuciju, kao što je standardni Gausijan. Predstavljeni od strane Rezendea i Mohameda (2015) u kontekstu varijacione inferencije, omogućavaju egzaktnu kalkulaciju verovatnoće i efikasno uzorkovanje, čineći ih principijelnom alternativom VAE i GAN modelima za zadatke procene gustine i generisanja.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/sr/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.
- Difuzioni modelDuboko učenje↔ compare
- Varijacioni autoenkoderDuboko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →