Moser Flow论文解读
Moser Flow:在流形上的基于散度的生成模型
本文为2021年NeurlPS会议的六篇杰出论文之一。核心思想为将连续标准化流(CNF)模型迁移到黎曼流形上,再通过Moser提出的体积元方法使用散度来计算。它的模型(学习)密度被参数化为源(先验)密度减去神经网络(NN)的散度。本模型可以在一般曲面(包括隐式曲面)上进行采样,对比现有的CNF上,本模型在密度估计的样本质量和训练复杂性方面取得了显著的改进。
文章解读
(由于公式过多,难以全部搬到Markdown中,所以博主放了PDF版本)(PDF需要翻墙后才能查看)
前置知识说明
本文所涉及到的黎曼流形为微分几何内的内容。如果为非数学系的学生想要完全理解需要学习以下内容:数学分析,拓扑学,微分几何。
如果需要相关书籍可以给博主发邮件,联系方式在“公告”或“关于我”中查看。
参考文献
Rozen N, Grover A, Nickel M, et al. Moser Flow: Divergence-based Generative Modeling on Manifolds[J]. Advances in Neural Information Processing Systems, 2021, 34.
论文链接:https://proceedings.neurips.cc/paper/2021/file/93a27b0bd99bac3e68a440b48aa421ab-Paper.pdf
附加材料链接:https://proceedings.neurips.cc/paper/2021/file/93a27b0bd99bac3e68a440b48aa421ab-Supplemental.pdf
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 Chao Pang的个人主页!
评论