基于包容神经随机场的生成建模及其在图像生成与异常检测中的应用
机器学习
2020-07-23 v5 机器学习
摘要
神经随机场 (NRFs) 指一类在随机场（亦称基于能量的模型）中使用神经网络实现势函数的生成模型，并非新概念但受关注较少且进展缓慢。不同于生成对抗网络 (GANs) 等各类有向图模型，NRFs 为生成建模提供了一族有趣的无向图模型。本文提出一种新方法——包容 NRF 方法，通过引入包容散度最小化的辅助生成器并在增广空间中开发随机梯度采样，来学习面向连续数据（如图像）的 NRFs。基于该新方法，我们开发了具体的包容 NRF 模型，并在两个重要的生成建模应用——图像生成与异常检测中进行了充分评估。所提模型在两项应用中均持续优于最先进结果。值得注意的是，除卓越的样本生成外，我们的包容 NRF 方法另一优势在于：与 GANs 不同，它可直接为样本评估提供（未归一化的）密度估计。凭借这些贡献与结果，本文在理论与经验上都将 NRFs 的学习与应用显著推进到前所未有的新高度。
引用
@article{arxiv.1806.00271,
title = {Generative Modeling by Inclusive Neural Random Fields with Applications in Image Generation and Anomaly Detection},
author = {Yunfu Song and Zhijian Ou},
journal= {arXiv preprint arXiv:1806.00271},
year = {2020}
}