切片Wasserstein归一化流: 超越最大似然训练
机器学习
2022-07-13 v1 人工智能
机器学习
摘要
尽管具备优势,归一化流普遍存在若干缺陷,包括倾向于生成不真实数据(如图像)以及无法检测分布外数据。这些不足的原因之一在于其训练策略传统上仅利用最大似然原理。本文提出一种基于混合目标函数的新训练范式,结合最大似然原理(MLE)与切片Wasserstein距离。在合成玩具示例与真实图像数据集上所得结果表明,在似然与生成样本视觉方面均具更优生成能力。反之,所提方法导致分布外数据似然更低,证明了所得流具有更高的数据保真度。
引用
@article{arxiv.2207.05468,
title = {Sliced-Wasserstein normalizing flows: beyond maximum likelihood training},
author = {Florentin Coeurdoux and Nicolas Dobigeon and Pierre Chainais},
journal= {arXiv preprint arXiv:2207.05468},
year = {2022}
}