从有限样本复杂性中学习基于流的生成模型的分析
原文中文，约300字，阅读约需1分钟。发表于：。使用两层自编码器参数化的流式生成模型，通过对目标分布从有限数量 n 的样本进行训练，提供了问题的尖锐端到端分析，包括对学习速度场的紧密闭合形式表征以及对相应生成流的尖锐描述，最终证明该速度场的收敛速度是贝叶斯最优的。
本文介绍了一种新的生成模型，利用评分匹配来估计数据分布的梯度，通过 Langevin 动力学生成样本。该模型在多个数据集上表现良好，实现了 CIFAR-10 inception 得分的新的最先进水平为 8.87。同时，作者还通过图像修补实验证明了该模型学习到了有效的表示。
