BriefGPT - AI 论文速递
·
层次流量估计和高维概率抽样
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于归一化流的深度生成模型的变分重整化群方法，通过变量变换从物理空间到潜在空间进行分级，生成近似相互独立的潜在变量，具有精确和可处理的似然度。研究展示了该方法在Ising模型中的实际应用，并讨论了与重整化群的联系。
🎯
关键要点
- 介绍了一种基于归一化流的深度生成模型的变分重整化群方法。
- 该模型通过变量变换从物理空间到潜在空间进行分级。
- 生成近似相互独立的潜在变量，具有精确和可处理的似然度。
- 展示了该方法在Ising模型中的实际应用。
- 讨论了该方法与重整化群的小波分析和信息保存RG的联系。
➡️
