.png){kind=icon}
返回
PaddingFlow: Improving normalizing flows with padding-dimensional noise
.png){kind=icon}
OA
AI
DOI：10.1016/j.neucom.2025.130651.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
归一化流是一种具有高效采样的生成建模方法。然而，基于流的模型存在两个问题：(1) 如果目标分布是流形，由于潜在目标分布与数据分布的维度不匹配，基于流的模型可能会表现不佳。(2) 离散数据可能导致基于流的模型坍缩为点质量的退化混合。为了规避这两个问题，我们提出了PaddingFlow，一种新颖的去量化方法，它通过填充维度的噪声来改进归一化流。要实现PaddingFlow，只需修改归一化流的维度。因此，我们的方法易于实现且计算成本低。此外，填充维度的噪声仅添加到填充维度，这意味着PaddingFlow可以在不改变数据分布的情况下进行去量化。在实现现有的去量化方法后，原始数据分布可能会改变，这可能导致性能下降。我们在无条件密度估计的主要基准上验证了我们的方法，包括五个表格数据集和四个图像数据集用于变分自编码器（VAE）模型，以及用于条件密度估计的逆运动学（IK）实验。结果表明，PaddingFlow在本文的所有实验中都能表现更好，这意味着PaddingFlow适用于各种任务。代码可在：https://github.com/AdamQLMeng/PaddingFlow 。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
.png){kind=icon}
