This HTML5 document contains 60 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dbpedia-dehttp://de.dbpedia.org/resource/
dctermshttp://purl.org/dc/terms/
dbohttp://dbpedia.org/ontology/
n7http://dbpedia.org/resource/File:
foafhttp://xmlns.com/foaf/0.1/
n11https://global.dbpedia.org/id/
dbthttp://dbpedia.org/resource/Template:
rdfshttp://www.w3.org/2000/01/rdf-schema#
n8https://lilianweng.github.io/lil-log/2018/10/13/
n12http://commons.wikimedia.org/wiki/Special:FilePath/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
owlhttp://www.w3.org/2002/07/owl#
wikipedia-enhttp://en.wikipedia.org/wiki/
n9https://deepgenerativemodels.github.io/notes/flow/
dbchttp://dbpedia.org/resource/Category:
provhttp://www.w3.org/ns/prov#
dbphttp://dbpedia.org/property/
xsdhhttp://www.w3.org/2001/XMLSchema#
wikidatahttp://www.wikidata.org/entity/
dbrhttp://dbpedia.org/resource/
dbpedia-jahttp://ja.dbpedia.org/resource/

Statements

Subject Item
dbr:Generative_adversarial_network
dbo:wikiPageWikiLink
dbr:Flow-based_generative_model
Subject Item
dbr:Generative_model
dbo:wikiPageWikiLink
dbr:Flow-based_generative_model
Subject Item
dbr:Flow-based_generative_model
rdfs:label
Flow-based generative model フローベース生成モデル Normalisierter Fluss
rdfs:comment
Ein flussbasiertes generatives Modell ist ein , welches die Wahrscheinlichkeitsdichte der zugrundeliegenden Trainingsdaten schätzt, indem der normalisierte Fluss (normalizing flow) berechnet wird. Der normalizing flow wird aus den Rechenregeln zum Wechseln der Variablen bei Integration (siehe Transformationssatz) hergeleitet, wobei eine einfache Verteilung in die komplizierte Zielverteilung transformiert wird. Normalisierten Flüssen liegt die folgende Tatsache zugrunde: Betrachten wir die bijektive Abbildung , sodass , dann gilt laut Transformationssatz フローベース生成モデル（フローベースせいせいモデル、英：Flow-based generative model）は、機械学習で使われるの一つである。確率分布の変数変換則を用いた手法である正規化流 (英：normalizing flow)を活用し確率分布を明示的にモデル化することで、単純な確率分布を複雑な確率分布に変換する。 尤度関数を直接的にモデリングすることには多くの利点がある。例えば、負の対数尤度を損失関数として直接計算して最小化することができる。また、変換前の分布からサンプリングし、フローによる変換を適用することにより、複雑な分布に基づいた新しいサンプルを生成することができる。 これとは対照的に、変分オートエンコーダ（VAE）や生成的敵対的ネットワークなどの多くの代替生成モデリング手法は、尤度関数を明示的に表現しない。 A flow-based generative model is a generative model used in machine learning that explicitly models a probability distribution by leveraging normalizing flow, which is a statistical method using the change-of-variable law of probabilities to transform a simple distribution into a complex one. The direct modeling of likelihood provides many advantages. For example, the negative log-likelihood can be directly computed and minimized as the loss function. Additionally, novel samples can be generated by sampling from the initial distribution, and applying the flow transformation.
foaf:depiction
n12:Normalizing-flow.svg
dcterms:subject
dbc:Machine_learning dbc:Probabilistic_models dbc:Statistical_models
dbo:wikiPageID
67064736
dbo:wikiPageRevisionID
1100272743
dbo:wikiPageWikiLink
dbr:Whitney_embedding_theorem dbr:Sphere_eversion dbr:Random_variable n7:Normalizing-flow.svg dbr:Inverse_function_theorem dbr:Loss_function dbr:Deep_learning dbr:Inverse_function dbr:Mathematical_induction dbr:Generative_model dbr:Rademacher_distribution dbr:Generative_adversarial_network dbr:Invertible_matrix dbr:Universal_approximation_theorem dbr:Jacobian_matrix_and_determinant dbr:Machine_learning dbc:Statistical_models dbr:Determinant dbc:Machine_learning dbr:Maximum_likelihood_estimation dbc:Probabilistic_models dbr:Ambient_isotopy dbr:Reparametrization_trick dbr:Probability_density_function dbr:Probability_distribution dbr:Homeomorphism dbr:Autoencoder dbr:Optimal_transport dbr:Neural_ODE
dbo:wikiPageExternalLink
n8:flow-based-deep-generative-models.html n9:
owl:sameAs
n11:FqgEA wikidata:Q106179475 dbpedia-de:Normalisierter_Fluss dbpedia-ja:フローベース生成モデル
dbp:wikiPageUsesTemplate
dbt:Reflist dbt:Machine_learning_bar
dbo:thumbnail
n12:Normalizing-flow.svg?width=300
dbo:abstract
Ein flussbasiertes generatives Modell ist ein , welches die Wahrscheinlichkeitsdichte der zugrundeliegenden Trainingsdaten schätzt, indem der normalisierte Fluss (normalizing flow) berechnet wird. Der normalizing flow wird aus den Rechenregeln zum Wechseln der Variablen bei Integration (siehe Transformationssatz) hergeleitet, wobei eine einfache Verteilung in die komplizierte Zielverteilung transformiert wird. Normalisierten Flüssen liegt die folgende Tatsache zugrunde: Betrachten wir die bijektive Abbildung , sodass , dann gilt laut Transformationssatz wobei der Betrag der Funktionaldeterminante ist und durch neuronale Netze parametrisiert wird. フローベース生成モデル（フローベースせいせいモデル、英：Flow-based generative model）は、機械学習で使われるの一つである。確率分布の変数変換則を用いた手法である正規化流 (英：normalizing flow)を活用し確率分布を明示的にモデル化することで、単純な確率分布を複雑な確率分布に変換する。 尤度関数を直接的にモデリングすることには多くの利点がある。例えば、負の対数尤度を損失関数として直接計算して最小化することができる。また、変換前の分布からサンプリングし、フローによる変換を適用することにより、複雑な分布に基づいた新しいサンプルを生成することができる。 これとは対照的に、変分オートエンコーダ（VAE）や生成的敵対的ネットワークなどの多くの代替生成モデリング手法は、尤度関数を明示的に表現しない。 A flow-based generative model is a generative model used in machine learning that explicitly models a probability distribution by leveraging normalizing flow, which is a statistical method using the change-of-variable law of probabilities to transform a simple distribution into a complex one. The direct modeling of likelihood provides many advantages. For example, the negative log-likelihood can be directly computed and minimized as the loss function. Additionally, novel samples can be generated by sampling from the initial distribution, and applying the flow transformation. In contrast, many alternative generative modeling methods such as variational autoencoder (VAE) and generative adversarial network do not explicitly represent the likelihood function.
prov:wasDerivedFrom
wikipedia-en:Flow-based_generative_model?oldid=1100272743&ns=0
dbo:wikiPageLength
18221
foaf:isPrimaryTopicOf
wikipedia-en:Flow-based_generative_model
Subject Item
dbr:Stein_discrepancy
dbo:wikiPageWikiLink
dbr:Flow-based_generative_model
Subject Item
wikipedia-en:Flow-based_generative_model
foaf:primaryTopic
dbr:Flow-based_generative_model