Normaliserande flöden
Normaliserande flöden är en klass av generativa modeller som lär sig en komplex sannolikhetsfördelning genom att applicera en sekvens av inverterbara, deriverbara transformationer på en enkel basfördelning, såsom en standard-Gaussisk fördelning. De introducerades av Rezende och Mohamed (2015) i kontexten av variell inferens och möjliggör exakt likelihood-beräkning och effektiv sampling, vilket gör dem till ett principfast alternativ till VAEs och GANs för densitetsestimering och genereringsuppgifter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Rezende, D. J., & Mohamed, S. (2015). Variational inference with normalizing flows. International Conference on Machine Learning (ICML), 1530–1538. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Normalizing Flows. ScholarGate. https://scholargate.app/sv/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.
- DiffusionsmodellDjupinlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →