论文笔记（四）【NICE: Non-liner Independent Components Estimation】glow系列

最新推荐文章于 2024-07-09 09:40:41 发布

daydayjump

最新推荐文章于 2024-07-09 09:40:41 发布

阅读量4.2k

点赞数 12

CC 4.0 BY-SA版权

分类专栏：每周论文笔记文章标签：流模型 NICE

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/daydayjump/article/details/84063167

论文地址：NICE模型

现在打算紧跟生成模型的步伐，看一下最近火起来的流模型，根据Paper_weekly的文章找到了glow模型最原始的论文，NICE模型。本文主要是该篇论文的笔记。

一、论文概述

摘要部分：

1、NICE全称为Non-linear Independent Component Estimation ，可以翻译为非线性独立分量估计。

2、在本文中，我们需要学得一个确定的非线性转换，能够将数据映射到隐空间，得到独立的隐变量。factorized distribution感觉可以理解为因式分解后的分布。注意这个过程是可逆的，NICE可以将高维数据映射到隐空间，同时可以从隐空间映射到高维数据。

因此，关键在于找到可逆的函数 $f$ 。

3、这个转换过程涉及到Jacobian（雅克比）矩阵和雅克比矩阵的逆。

雅克比矩阵是一阶偏导数以一定方式排列的矩阵，其行列式称为雅克比行列式。

具体而言，函数F为m*n的方程组：

$\\a_{11} x_{1}+ a_{12}x_{2}+...+a_{1n}x_{n} = y_{1} \\ a_{21} x_{1}+ a_{22}x_{2}+...+a_{2n}x_{n} = y_{2} \\ ... \\ a_{m1} x_{1}+ a_{m2}x_{2}+...+a_{mn}x_{n} = y_{m}$

这些函数的偏导数（如果存在）组成了一个m行n列的矩阵，为雅克比矩阵：

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。