亮点:
1. 使用Moser Flow (MF) 相比于其他连续标准化流 (CNF)不需要在训练过程解常微分方程 (ODE),因此训练速度相对较快;
2. 在1的基础上,证明了在一定的前提下,MF可以泛化任意的流形,并且这是流模型 (包括CNF在内)第一次在一般的曲面上 (文中指3D兔子,泛指除了球,椭圆这一类基础曲面)进行了采样生成实验。
前提知识:
1) Change of variable formula:
概率密度的转换
2)Euclidean data:
所谓的欧氏(欧几里德)数据指的是类似于图片(grids),文本(sequence),同样Non-Euclidean Data指的是高维不规则(无穷规则)数据,例如复数域(多了一个虚轴),流形(黎曼几何)。
来自NIPS的reviews (节选翻译):
PC和5个审稿人(78877):
- ”reduces computational cost to train CNFs by no longer needing to solve an ODE.“——不再需要解ODE训练CNF,减少了计算成本。
- “likelihood computation does not require evaluating an ODE, constrast to regular CNFs.“——同上,似然估计也是训练的一部分。
- “Probably universal density estimator under suitable assumptions.“——泛化能力有保证。
- “scalability limitations to higher dimensional problems.“——高维问题上难以应用。
- ”regularization of the negative part of the density in moser flows introduces an additional hyperparameter for tuning. worries that the regularization parameter might lead to unstable training of chosen wrongly.“——损失函数里有一个需要调,可能训练不稳定。
- ”Moser flow is not guaranteed to induce a valid probability density.“——MF不能保证生成有效的概率密度。(负值的影响嘛?)
- ......
TBD