Energiebasierte Modelle (EBMs) sind eine mächtige Klasse probabilistischer Generative
Modelle aufgrund ihrer Flexibilität und Interpretierbarkeit. Jedoch, Beziehungen
zwischen potenziellen Strömen und expliziten EBMs sind nach wie vor wenig erforscht, während
kontrastives Divergenztraining über implizite Markov-Kette Monte Carlo (MCMC)
Die Probenahme ist in hochdimensionalen Umgebungen oft instabil und teuer. Dabei
Papier, Wir schlagen Variational Potential Flow Bayes vor (VPFB), eine neue energiebasierte
generatives Framework, das die Notwendigkeit einer impliziten MCMC-Probenahme überflüssig macht und
ist nicht auf Hilfsnetzwerke oder kooperative Ausbildung angewiesen. VPFB lernt ein
Energieparametrisierter Potentialfluss durch Konstruktion einer flussgetriebenen Dichte
Homotopie, die durch einen Variationsverlust an die Datenverteilung angepasst wird
Minimierung der Kullback-Leibler-Divergenz zwischen flussgesteuertem und marginalem
Homotopien. Diese prinzipielle Formulierung ermöglicht eine robuste und effiziente Generierung
Modellierung unter Beibehaltung der Interpretierbarkeit von EBMs. Experimentelle Ergebnisse auf
Bilderzeugung, Interpolation, Erkennung von Verteilungsfehlern, Und
Kompositionsgenerierung bestätigen die Wirksamkeit von VPFB, zeigt, dass unsere
Die Methode ist in Bezug auf die Stichprobe mit bestehenden Ansätzen konkurrenzfähig
Qualität und Vielseitigkeit für verschiedene generative Modellierungsaufgaben.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: