| http://dbpedia.org/ontology/abstract
|
Ein flussbasiertes generatives Modell ist … Ein flussbasiertes generatives Modell ist ein , welches die Wahrscheinlichkeitsdichte der zugrundeliegenden Trainingsdaten schätzt, indem der normalisierte Fluss (normalizing flow) berechnet wird. Der normalizing flow wird aus den Rechenregeln zum Wechseln der Variablen bei Integration (siehe Transformationssatz) hergeleitet, wobei eine einfache Verteilung in die komplizierte Zielverteilung transformiert wird. Normalisierten Flüssen liegt die folgende Tatsache zugrunde: Betrachten wir die bijektive Abbildung , sodass , dann gilt laut Transformationssatz wobei der Betrag der Funktionaldeterminante ist und durch neuronale Netze parametrisiert wird.durch neuronale Netze parametrisiert wird.
, フローベース生成モデル（フローベースせいせいモデル、英：Flow-based gen … フローベース生成モデル（フローベースせいせいモデル、英：Flow-based generative model）は、機械学習で使われるの一つである。確率分布の変数変換則を用いた手法である正規化流 (英：normalizing flow)を活用し確率分布を明示的にモデル化することで、単純な確率分布を複雑な確率分布に変換する。 尤度関数を直接的にモデリングすることには多くの利点がある。例えば、負の対数尤度を損失関数として直接計算して最小化することができる。また、変換前の分布からサンプリングし、フローによる変換を適用することにより、複雑な分布に基づいた新しいサンプルを生成することができる。 これとは対照的に、変分オートエンコーダ（VAE）や生成的敵対的ネットワークなどの多くの代替生成モデリング手法は、尤度関数を明示的に表現しない。対的ネットワークなどの多くの代替生成モデリング手法は、尤度関数を明示的に表現しない。
, A flow-based generative model is a generat … A flow-based generative model is a generative model used in machine learning that explicitly models a probability distribution by leveraging normalizing flow, which is a statistical method using the change-of-variable law of probabilities to transform a simple distribution into a complex one. The direct modeling of likelihood provides many advantages. For example, the negative log-likelihood can be directly computed and minimized as the loss function. Additionally, novel samples can be generated by sampling from the initial distribution, and applying the flow transformation. In contrast, many alternative generative modeling methods such as variational autoencoder (VAE) and generative adversarial network do not explicitly represent the likelihood function.licitly represent the likelihood function.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Normalizing-flow.svg?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://deepgenerativemodels.github.io/notes/flow/ +
, https://lilianweng.github.io/lil-log/2018/10/13/flow-based-deep-generative-models.html +
|
| http://dbpedia.org/ontology/wikiPageID
|
67064736
|
| http://dbpedia.org/ontology/wikiPageLength
|
18221
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1100272743
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Universal_approximation_theorem +
, http://dbpedia.org/resource/Maximum_likelihood_estimation +
, http://dbpedia.org/resource/Optimal_transport +
, http://dbpedia.org/resource/Inverse_function_theorem +
, http://dbpedia.org/resource/Neural_ODE +
, http://dbpedia.org/resource/Category:Statistical_models +
, http://dbpedia.org/resource/Loss_function +
, http://dbpedia.org/resource/Reparametrization_trick +
, http://dbpedia.org/resource/File:Normalizing-flow.svg +
, http://dbpedia.org/resource/Mathematical_induction +
, http://dbpedia.org/resource/Jacobian_matrix_and_determinant +
, http://dbpedia.org/resource/Homeomorphism +
, http://dbpedia.org/resource/Category:Probabilistic_models +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Probability_density_function +
, http://dbpedia.org/resource/Inverse_function +
, http://dbpedia.org/resource/Ambient_isotopy +
, http://dbpedia.org/resource/Probability_distribution +
, http://dbpedia.org/resource/Random_variable +
, http://dbpedia.org/resource/Generative_model +
, http://dbpedia.org/resource/Autoencoder +
, http://dbpedia.org/resource/Determinant +
, http://dbpedia.org/resource/Invertible_matrix +
, http://dbpedia.org/resource/Rademacher_distribution +
, http://dbpedia.org/resource/Sphere_eversion +
, http://dbpedia.org/resource/Whitney_embedding_theorem +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Generative_adversarial_network +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Machine_learning_bar +
, http://dbpedia.org/resource/Template:Reflist +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Category:Probabilistic_models +
, http://dbpedia.org/resource/Category:Statistical_models +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Flow-based_generative_model?oldid=1100272743&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Normalizing-flow.svg +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Flow-based_generative_model +
|
| owl:sameAs |
https://global.dbpedia.org/id/FqgEA +
, http://de.dbpedia.org/resource/Normalisierter_Fluss +
, http://ja.dbpedia.org/resource/%E3%83%95%E3%83%AD%E3%83%BC%E3%83%99%E3%83%BC%E3%82%B9%E7%94%9F%E6%88%90%E3%83%A2%E3%83%87%E3%83%AB +
, http://www.wikidata.org/entity/Q106179475 +
, http://dbpedia.org/resource/Flow-based_generative_model +
|
| rdfs:comment |
フローベース生成モデル（フローベースせいせいモデル、英：Flow-based gen … フローベース生成モデル（フローベースせいせいモデル、英：Flow-based generative model）は、機械学習で使われるの一つである。確率分布の変数変換則を用いた手法である正規化流 (英：normalizing flow)を活用し確率分布を明示的にモデル化することで、単純な確率分布を複雑な確率分布に変換する。 尤度関数を直接的にモデリングすることには多くの利点がある。例えば、負の対数尤度を損失関数として直接計算して最小化することができる。また、変換前の分布からサンプリングし、フローによる変換を適用することにより、複雑な分布に基づいた新しいサンプルを生成することができる。 これとは対照的に、変分オートエンコーダ（VAE）や生成的敵対的ネットワークなどの多くの代替生成モデリング手法は、尤度関数を明示的に表現しない。対的ネットワークなどの多くの代替生成モデリング手法は、尤度関数を明示的に表現しない。
, Ein flussbasiertes generatives Modell ist … Ein flussbasiertes generatives Modell ist ein , welches die Wahrscheinlichkeitsdichte der zugrundeliegenden Trainingsdaten schätzt, indem der normalisierte Fluss (normalizing flow) berechnet wird. Der normalizing flow wird aus den Rechenregeln zum Wechseln der Variablen bei Integration (siehe Transformationssatz) hergeleitet, wobei eine einfache Verteilung in die komplizierte Zielverteilung transformiert wird. Normalisierten Flüssen liegt die folgende Tatsache zugrunde: Betrachten wir die bijektive Abbildung , sodass , dann gilt laut Transformationssatzodass , dann gilt laut Transformationssatz
, A flow-based generative model is a generat … A flow-based generative model is a generative model used in machine learning that explicitly models a probability distribution by leveraging normalizing flow, which is a statistical method using the change-of-variable law of probabilities to transform a simple distribution into a complex one. The direct modeling of likelihood provides many advantages. For example, the negative log-likelihood can be directly computed and minimized as the loss function. Additionally, novel samples can be generated by sampling from the initial distribution, and applying the flow transformation.ion, and applying the flow transformation.
|
| rdfs:label |
Flow-based generative model
, Normalisierter Fluss
, フローベース生成モデル
|
