⚽️一、生成式模型应用
- ????已经大量应用,比如人脸生成模型中,生成的人脸已经和真实的人脸相差无几。
- ????自然语言处理,一个语言模型本质上就是一个基于语言的生成式模型。
????二、生成式模型介绍
- ????一般的生成模型
- ????从一个数据集中来训练,这个数据集中有很多数据样本
- ????生成模型是一个概率分布的集合
- ????给定一个训练集,我们的目的是找到一个最佳的分布的模型
- ????得到这个模型之后,我们可以进行源源不断的采样来获得一个新样本
????三、生成模型的分类
生成式模型是一种对数据分布的表示,根据不同的表示,可以有以下生成式模型的分类:
- ????隐式的生成式模型:GUN
生成一个随机噪声,将这个噪声通过一个神经网络映射到一个样本上,比如可以是一张图片。
- ????从噪声生成样本的过程就是一个从分布中进行采样的过程
- ????优点
- 灵活的结构
- 比较高质量的样本质量
- ????缺点
- 很难训练一个模型:对抗训练难以调整、也不是很稳定
- 没法去计算似然函数,所以没法比较不同隐式模型的好坏
通过直接表示这个分布的概率密度函数来表示分布:显示分布
贝叶斯模型、等
- ????优点
- 可以用似然函数大小来比较不同模型好坏 # 这个似然函数是个什么概念?
- ????缺点
- 需要模型本身是归一化的 # 模型本身的归一化指的是什么?
- 模型在训练的时候需要很快的计算似然函数,这个同时也制约了模型的表示能力。
⚾️四、本文主要工作
????本文提出一种全新的分布表示方法:
这个和显式的分布有什么区别?
模型要使用概率密度的导数进行表示
KaTeX parse error: Undefined control sequence: \grad at position 2: \̲g̲r̲a̲d̲_xlog(p(x)) =>…
颜色表示概率密度函数,用向量场来表示积分函数。
结论 => 概率密度函数和积分函数,可以在可微的情况下表示同一种分布。 # 可微是为啥?
????为啥要使用积分函数:
作者认为,概率密度函数表示的程度较低、没有积分函数灵活
通过训练一个积分函数的模型,
训练的损失函数是要求我们的向量场和数据分布的向量场一样
所以就需要计算两个向量场之间的距离 fisher divergence(这个距离不容易直接计算?依赖未知的积分函数对应的分布??听不懂)
=> score matching不依赖于未知的积分函数的分布,但是这个不容易计算(尤其是在神经网络的模型中)
!= 但是不能用于大规模维度的计算
????如何解决score matching
算法低效的问题
sliced score matching: 将高维的向量场变成一个低维的标量场。
提出目标函数:sliced fisher divergence
=> 作者的工作实现了只进行一次反向即可完成训练。
sliced score matching的实验结果极其迅速!且效果相当。
效果相似
????五、生成模型实验及展示效果
使用积分函数构建模型来构建新样本
从积分函数中生成样本
在数据较多的地方积分场比较好,在数据量比较少的地方积分场比较差:
可以通过添加随机数来进行扰动
展示效果