Normalisierende Strömungen

So wird trainiert

Maximum-Likelihood wird exakt unter architekturbezogenen Randbedingungen optimiert, die Inversion und die Jacobian-Determinante berechenbar machen.

So läuft die Inferenz

Die Dichteauswertung bildet Daten auf den latenten Raum ab; zur Generierung werden Stichproben aus der Basisverteilung gezogen und alle Transformationen in umgekehrter Reihenfolge angewendet.

Stärken

• •Exakte Wahrscheinlichkeit unter dem Modell
• •Invertierbares Encoding und Generierung
• •Nützlich, wenn die Dichteschätzung selbst wichtig ist

Zielkonflikte

• •Invertierbarkeit schränkt das Netzwerkdesign ein
• •Hochdimensionale Medien können tiefe, speicherintensive Strömungen erfordern
• •Die Wahrscheinlichkeit spiegelt nicht notwendigerweise die wahrgenommene Stichprobenqualität wider

Geeignet, wenn

• Exakte Dichte oder reversible Transformationen erforderlich sind
• Der Bereich passt zu verfügbaren invertierbaren Architekturen
• Sie werden sowohl die Wahrscheinlichkeit als auch den Aufgabennutzen bewerten

Vermeiden oder hinterfragen, wenn

• Nur generative Qualität in der Wahrnehmung wichtig ist
• Architekturflexibilität wichtiger ist als exakte Wahrscheinlichkeit
• Eine einfachere diskriminative Unsicherheitsmethode ausreicht