InfoCNF：一种具有自适应求解器的高效条件连续归一化流
机器学习
2019-12-10 v1 计算机视觉与模式识别
机器学习
摘要
连续归一化流（CNFs）因其可逆性和精确似然估计，已成为适用于广泛任务的有前景的深度生成模型。然而，由于模型生成的高维潜码需要与输入数据尺寸相同，将 CNFs 基于感兴趣的信号进行条件化以用于条件图像生成和下游预测任务时效率低下。本文提出 InfoCNF，一种高效的条件 CNF，它将潜空间划分为类特定的监督码和在所有类中共享的无监督码，以高效利用标注信息。由于该划分策略（略微）增加了函数评估次数（NFEs），InfoCNF 还采用门控网络来学习其常微分方程（ODE）求解器的误差容限，从而获得更好的速度与性能。我们通过实验表明，在 CIFAR10 上，InfoCNF 在保持可比似然分数的同时提高了相对于基线的测试准确率并减少了 NFEs。此外，将 InfoCNF 中相同的划分策略应用于时间序列数据有助于改善外推性能。
引用
@article{arxiv.1912.03978,
title = {InfoCNF: An Efficient Conditional Continuous Normalizing Flow with Adaptive Solvers},
author = {Tan M. Nguyen and Animesh Garg and Richard G. Baraniuk and Anima Anandkumar},
journal= {arXiv preprint arXiv:1912.03978},
year = {2019}
}
备注
17 pages, 14 figures, 2 tables