分段归一化流
机器学习
2024-02-02 v2 机器学习
摘要
归一化流（normalizing flows）是通过从基分布出发的可逆变换对复杂概率密度建模的成熟方法。然而，归一化流捕捉目标分布的精度深受基分布拓扑结构的影响。目标与基之间拓扑的不匹配会导致性能不佳，多模态问题通常便是如此。若干不同工作试图修改基分布的拓扑以更好地匹配目标，或是通过使用高斯混合模型（Izmailov 等，2020；Ardizzone 等，2020；Hagemann & Neumayer，2021），或是通过学习型接受/拒绝采样（Stimper 等，2022）。我们引入分段归一化流，将目标分布划分为若干簇，其拓扑能更好地匹配标准正态基分布，并训练一系列流来建模复杂的多模态目标。我们使用一些标准基准展示了分段流的性能，并将流的精度与 Stimper 等（2022）中用于建模多模态分布的方法进行比较。我们发现，我们的方法在标准基准上以更高的仿真精度持续优于 Stimper 等（2022）的方法。
引用
@article{arxiv.2305.02930,
title = {Piecewise Normalizing Flows},
author = {Harry Bevins and Will Handley and Thomas Gessey-Jones},
journal= {arXiv preprint arXiv:2305.02930},
year = {2024}
}
备注
11 pages, 5 figures