机构名称：
¥ 3.0
我们介绍了基于广义的能量模型（GEBM），以进行生成模块。这些模型结合了两个训练有素的组件：一个基本分布（通常是AnimpliticModel），可以将其范围内的theSupportofDataWithlowIntrintrinsicDimensionInin AhighDimensionalSspace； AndaneNergyFunction，撕裂的杂虫性障碍。与GAN不同，能量函数和基础共同构成了最终模型，GAN仅保留基本分布（“发电机”）。gebms是通过学习能量和基础之间交替的训练。我们表明，两个训练阶段都已很好地确定：能量是通过最大化广义的可能性来学到的，而所产生的基于能量的损失为学习基础提供了信息的梯度。来自训练有素模型的潜在空间的后验样品CANBEOBTAINDEVIAMCMC，从而发现了inthisspacethispacethatpacethatproducebetterqual quatterqual-ity样品。从经验上讲，图像生成任务上的GEBM样本的质量要比单独学习的发电机的质量要好得多，这表明所有其他是相等的，GEBM的gebm将优于相同复杂性的GAN。使用归一化流程作为基础措施时，GEBM在密度建模任务上成功，将可比较的性能转换为直接同一网络的最大可能性。
广义基于能量的模型| UCL发现
主要关键词
相关文件推荐
