面向置换不变密度的可扩展归一化流

对集合进行建模是机器学习中的一个重要问题，因为此类数据可见于许多领域。一种有前景的方法利用连续归一化流定义了一族置换不变密度。这使我们能够直接最大化似然并轻松采样新样本。在本工作中，我们展示了该方法中关键步骤——计算迹——如何在训练和推理时均引发问题，限制了其实用性。我们提出了一种定义置换等变变换的替代方法，其迹具有闭式解。这不仅带来了训练时的改进，也带来了更好的最终性能。我们在点过程与通用集合建模上展示了我们方法的优势。