使用 Real NVP 的密度估计
机器学习
2017-03-01 v3 人工智能
神经与进化计算
机器学习
摘要
概率模型的无监督学习是机器学习中核心且具挑战性的问题。具体而言，设计具有可处理的学习、采样、推断与评估的模型对解决该任务至关重要。我们利用实值非体积保持（real NVP）变换——一组强大的可逆且可学习的变换——扩展了此类模型的空间，从而产生了一种具有精确对数似然计算、精确采样、潜变量精确推断以及可解释潜空间的无监督学习算法。我们通过采样、对数似然评估与潜变量操作，在四个数据集上展示了其建模自然图像的能力。
引用
@article{arxiv.1605.08803,
title = {Density estimation using Real NVP},
author = {Laurent Dinh and Jascha Sohl-Dickstein and Samy Bengio},
journal= {arXiv preprint arXiv:1605.08803},
year = {2017}
}
备注
10 pages of main content, 3 pages of bibliography, 18 pages of appendix. Accepted at ICLR 2017