导读
本文为大家带来了斯坦福大学PH.D Aditya Grover同学的深度生成模型tutorial,希望对大家的学习有所帮助。
关注文章公众号
对话框回复 “ 生成模型 ” 获取PPT
摘 要
生成模型是图模型与概率编程语言中概率推理的核心范例,最近由于神经网络在参数化方面的改进、以及基于梯度随机优化方面的进展,使得可以对高维数据进行跨模态建模。
本教程的前半部分,将全面介绍深度生成模型,包括生成对抗网络、变分自编码器以及自回归模型。对于每一个模型,我们都将深入探讨各自的概率公式、学习算法、以及与其他模型的关系。后半部分将演示一组具有代表性的推理任务,展示深度生成网络在其中的应用。最后,我们将讨论堂前领域面临的挑战,并展望未来的研究方向。
目 录
第一部分
● 生成模型的动机,以及与判别模型的对比
● 生成模型的定义、特征、估计密度、模拟数据、学习表示
● 传统生成模型方法,以及深度网络在参数化方面的作用
● 基于学习算法的生成模型分类,基于相似点的学习和无相似点的学习
● Likelihood-based学习实例
● 自回归模型
● 变分自编码器
第二部分
● Likelihood-based学习实例(续)
● 规范化流模型
● Likelihood-free 学习实例
● 生成对抗网络
● 深度生成模型的实例
● 半监督学习
● 模仿学习
● 对抗样本
● 压缩感知
● 关于生成模型未来研究的主要挑战和展望。
附部分PPT