基于分配流形上的 E - 泛地测流匹配的离散联合分布生成建模

什么是测地线流MCMC？

测地线流MCMC是一种基于浸入流和哈密尔顿-雅可比表示描述的测地线流的概率密度函数流形上的Markov chain Monte Carlo方法，它利用流形支撑下的测地线流开发提案机制，并以超球面和正交矩阵的Stiefel流形为例进行了说明。

Riemannian连续正规化流模型有什么特点？

Riemannian连续正规化流模型通过设置连续性流作为常微分方程的解来定义流，能够对光滑流形上的灵活概率测度进行有效参数化，在合成和现实数据方面与标准流或先前介绍的预测流相比可以显著提高表现。

如何在Riemannian流形上进行快速分布学习？

一种在Riemannian流形上进行分布学习的替代方法只需要一次函数评估，然后将结果投影到流形上。通过在切空间中评估的迹来估计负对数似然的梯度，该方法在各种流形上评估，相比之前的工作推断速度显著提高且具有竞争性的性能。

等变流形流如何学习对称不变分布？

等变流形流基于等变流形流的手段，学习任意流形上的对称不变分布，以应对先前机器学习模型所忽略的对称性特征，且在量子场论中应用其学习标准规范密度的效果显著。

Riemann流形上的扩散混合模型是什么？

基于Riemann流形的扩散混合模型通过以端点条件的扩散过程的混合来构建一种流形上的生成过程，取代以往扩散模型的去噪方法，更好地在高维度上表现，并在各种流形上优于现有的生成模型。

Riemannian Flow Matching框架有什么优势？

Riemannian Flow Matching (RFM) 框架用于基于流的生成建模，可在流形上进行直接而有效的训练，并且在真实世界的非欧几里得数据集上达到了最先进的性能。

离散流模型在语言模型中的应用效果如何？

离散流模型可以推广到离散事件，包括离散自回归流和离散二部流模型，并应用于语言模型中。实验证明于离散分布上离散自回归流优于自回归基线模型，在字符级别的语言建模上离散二部流可以与自回归基线模型竞争。

Moser Flow是什么？

Moser Flow是一种新型连续归一化流的生成模型，它可以通过求解变量转换公式得到归一化流，学习模型密度的参数形式为源（先验）密度减去神经网络的发散，通过该模型的学习在复杂的流形曲面采样与密度估计上取得了显著的性能提升。

流形匹配方法如何生成模型？

流形匹配方法包括分布生成器和度量生成器，通过学习距离度量来生成符合真实数据流形的样本，并且应用于无监督和有监督学习任务，得到了良好的效果。