![preview](https://dl-preview.csdnimg.cn/87795276/0001-13f2d181366cf52ad1b174243d67c114_thumbnail.jpeg)
![preview-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/scale.ab9e0183.png)
Generative Modeling by Estimating Gradients of the Data Distribution GENERATIVE MODELING BY ESTIMATING GRADIENTS OF THE DATA DISTRIBUTION 在机器学习领域中,生成模型(Generative Modeling)有着广泛的应用。生成模型的目标是学习数据分布,以生成新的、类似于训练数据的样本。最近,生成模型的研究取得了飞速的进展,主要有两个方向:基于似然的方法(Likelihood-based methods)和生成对抗网络(Generative Adversarial Networks,GAN)。 生成模型的应用 生成模型有很多实际应用,例如: * 生成高质量的图像(Image Generation) * 合成实时语音和音乐片段(Speech and Music Synthesis) * 半监督学习(Semi-supervised Learning) * 检测对抗样本和异常数据(Anomaly Detection) * 想象学习(Imitation Learning) * 强化学习中的探索状态(Exploration in Reinforcement Learning) 基于似然的方法 基于似然的方法是通过最大化似然函数来学习数据分布。这些方法包括变分推断、似然估计和 Score Matching。Score Matching 是一种基于似然的方法,通过估计数据分布的梯度来学习生成模型。 生成对抗网络(GAN) 生成对抗网络(GAN)是通过对抗训练来学习生成模型。GAN 由两个部分组成:生成器(Generator)和判别器(Discriminator)。生成器的目标是生成新的样本,而判别器的目标是区分真实样本和生成样本。通过对抗训练,生成器和判别器不断改进,直到生成器生成的样本无法被判别器区分。 本文方法 本文提出了一个新的生成模型,通过估计数据分布的梯度来生成样本。我们使用 Langevin 动力学来生成样本,并使用 Score Matching 来估计数据分布的梯度。为了解决梯度估计的问题,我们使用高斯噪声来 perturb 数据,并联合估计不同的噪声水平对应的梯度。我们的方法允许灵活的模型架构,不需要在训练期间进行采样或使用对抗方法,并且提供了一个可以用于模型比较的学习目标。 实验结果 我们的模型在 MNIST、CelebA 和 CIFAR-10 数据集上产生了与 GAN 相当的样本质量,并在 CIFAR-10 数据集上达到了新的最高 inception 分数 8.87。此外,我们还证明了我们的模型可以学习有效的表示通过图像修复实验。 本文提出的生成模型可以学习数据分布的梯度,并生成高质量的样本。我们的方法具有灵活的模型架构和灵活的学习目标,能够在多种应用场景中发挥作用。
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![epub](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/default.jpg!1)
- 粉丝: 1969
- 资源: 2689
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
- DS18B20温度传感器实战应用与源码解析.zip
- python-leetcode面试题解之第384题打乱数组.zip
- python-leetcode面试题解之第383题赎金信.zip
- python-leetcode面试题解之第380题O1插入删除和获取随机元素.zip
- python-leetcode面试题解之第375题猜数字大小II.zip
- python-leetcode面试题解之第374题猜数字大小.zip
- python-leetcode面试题解之第373题查找和最小的K对数字.zip
- python-leetcode面试题解之第372题超级次方.zip
- python-leetcode面试题解之第371题两整数之和.zip
- python-leetcode面试题解之第370题区间加法.zip
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)