利用隐空间神经 Fokker-Planck 核学习高维分布
机器学习
2021-05-11 v1 计算机视觉与模式识别
摘要
学习高维分布是机器学习中一个重要且具有挑战性的问题，在多个领域有应用。本文提出新技术，将问题表述为在较低维隐空间中求解 Fokker-Planck 方程，以缓解高维数据空间中的挑战。我们提出的模型由隐分布形变、一个生成器和一个参数化 Fokker-Planck 核函数组成。我们模型一个引人注目的特性是它可以用任意步数的隐分布形变训练，甚至无需形变，这使其灵活且能与生成对抗网络（GANs）一样高效。此外，该特性还使我们的隐分布形变成为一种高效的即插即用方案，从而可用于改进任意 GAN，更有趣的是，能有效纠正 GAN 模型的失败案例。大量实验说明了我们提出的方法相对于现有模型的优势。
引用
@article{arxiv.2105.04538,
title = {Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels},
author = {Yufan Zhou and Changyou Chen and Jinhui Xu},
journal= {arXiv preprint arXiv:2105.04538},
year = {2021}
}
备注
code will be updated at https://github.com/drboog/FPK