Machine und Deep Learning Seminar

Abstract – Analyse und Aufhebung architektonischer Beschränkungen bei der Normalisierung von Flüssen

Generative Modelle sind einer der sich am schnellsten entwickelnden Bereiche des Maschinellen Lernens, mit Anwendungen, die von der Datengenerierung bis zur Quantifizierung von Unsicherheiten und der Erkennung von Verteilungsfehlern reichen. Eines der grundlegenden Modelle sind normalisierende Flüsse, die direkt die Wahrscheinlichkeit der Daten optimieren. In diesem Vortrag analysieren wir die Ausdruckskraft von Normalisierungsfluss-Architekturen, die auf invertierbaren Neuronalen Netzen basieren. Anschließend zeigen wir, dass beliebige Neuronale Netze mittels Maximum Likelihood trainiert werden können. Dies verlagert den Schwerpunkt für Praktiker:innen weg von der Erfüllung der Anforderungen spezialisierter invertierbarer Architekturen; stattdessen können Likelihood-Modelle mit induktiven Verzerrungen erstellt werden, die auf die vorliegenden Daten zugeschnitten sind. Die resultierenden Modelle sind schnell und bieten eine gute Stichprobenqualität.