生成模型是一类机器学习算法，它定义了图像、序列和图等复杂高维物体的概率分布。深度神经网络和优化算法的最新进展显著地增强了这些模型的能力，并重新激发了对它们的研究兴趣。本课程探讨深度生成模型的基本概率原理、它们的学习算法和流行的模型族，包括变分自编码器、生成对抗网络、自回归模型和规范化流。本课程还涵盖了计算机视觉、自然语言处理和生物医学等领域的应用，并将其与强化学习领域联系起来。
Introduction and Background Autoregressive Models Variational Autoencoders Normalizing Flow Models Energy-Based Models Generative Adversarial Networks Probabilistic Reasoning, Combining Generative Model Discreteness in Generative Modeling Evaluating Generative Models
成为VIP会员查看完整内容
Deep Generative Models
Background on Representing Probability Distributions
Autoregressive Models
Maximum Likelihood Learning
Latent Variable Models
Learning Latent Variable Models
Modern Learning Latent Variable Models
Modern Normalizing Flow Models
Generative Adversarial Networks
Generative Adversarial Networks
Energy Based Models
Combining Generative Model Families
Evaluating Generative Models
Discrete Deep Generative Models
相关内容
Arxiv
17+阅读 · 2021年3月19日
Arxiv
4+阅读 · 2018年11月26日
Arxiv
4+阅读 · 2018年2月19日
Arxiv
3+阅读 · 2017年8月2日
相关VIP内容
相关资讯
相关论文
Arxiv
17+阅读 · 2021年3月19日
Arxiv
4+阅读 · 2018年11月26日
Arxiv
4+阅读 · 2018年2月19日
Arxiv
3+阅读 · 2017年8月2日
微信扫码咨询专知VIP会员