通过赋值流形上的 E-测地流匹配对离散联合分布进行生成建模
机器学习
2024-02-13 v1 机器学习
摘要
本文介绍了一种基于因子化离散测度子流形上连续归一化流的离散分布新型生成模型。流的积分逐渐分配类别，避免了离散化潜在连续模型时出现的问题，如舍入、样本截断等。能够表示结构化离散数据复杂统计依赖性的通用非因子化离散分布，可以通过将子流形嵌入到所有联合离散分布的元单纯形中并进行数据驱动的平均来近似。通过匹配因子化离散分布的测地线流，展示了该生成模型的高效训练。各种实验强调了该方法的广泛适用性。
引用
@article{arxiv.2402.07846,
title = {Generative Modeling of Discrete Joint Distributions by E-Geodesic Flow Matching on Assignment Manifolds},
author = {Bastian Boll and Daniel Gonzalez-Alvarado and Christoph Schnörr},
journal= {arXiv preprint arXiv:2402.07846},
year = {2024}
}