Modelli basati sull'energia (EBM) sono una potente classe di generativi probabilistici
modelli grazie alla loro flessibilità e interpretabilità. Tuttavia, relazioni
il rapporto tra flussi potenziali ed EBM espliciti rimane sottoesplorato, Mentre
addestramento alla divergenza contrastiva tramite catena di Markov implicita Monte Carlo (MCMC)
il campionamento è spesso instabile e costoso in ambienti ad alta dimensione. In questo
carta, proponiamo il flusso potenziale variazionale Bayes (VPFB), una nuova base energetica
quadro generativo che elimina la necessità di campionamento MCMC implicito e
non si basa su reti ausiliarie o formazione cooperativa. VPFB apprende un
flusso potenziale parametrizzato dall'energia costruendo una densità guidata dal flusso
omotopia che si adatta alla distribuzione dei dati attraverso una perdita variazionale
minimizzando la divergenza di Kullback-Leibler tra il flusso guidato e il marginale
omotopie. Questa formulazione di principio consente una generazione robusta ed efficiente
modellazione preservando l’interpretabilità degli EBM. Risultati sperimentali su
generazione di immagini, interpolazione, rilevamento di fuori distribuzione, E
la generazione compositiva conferma l'efficacia di VPFB, dimostrando che il nostro
Il metodo funziona in modo competitivo con gli approcci esistenti in termini di campione
qualità e versatilità in diverse attività di modellazione generativa.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: