基于条件生成流的结构化输出学习

传统的结构化预测模型试图学习条件似然，即 p(y|x)，以捕捉结构化输出 y 与输入特征 x 之间的关系。对于许多模型，计算似然是难解的。这些模型因此难以训练，需要使用替代目标或变分推断来近似似然。在本文中，我们提出条件 Glow（c-Glow），一种用于结构化输出学习的条件生成流。C-Glow 得益于基于流的模型能够精确且高效计算 p(y|x) 的能力。使用 c-Glow 学习不需要替代目标或训练期间执行推断。一旦训练完成，我们可以直接且高效地生成条件样本。我们开发了一种基于样本的预测方法，可利用这一优势进行高效且有效的推断。在我们的实验中，我们在五个不同任务上测试 c-Glow。C-Glow 在某些任务上优于最先进的基线，在其他任务上预测出可比的输出。结果表明 c-Glow 具有通用性，可应用于许多不同的结构化预测问题。