现代机器学习研究进展 第二部分 模型与架构 第 15 章：隐变量模型（VAE、Flow、EBM）

最新推荐文章于 2025-12-05 20:45:00 发布
最新推荐文章于 2025-12-05 20:45:00 发布
阅读量31 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 人工智能技术白皮书 文章标签： 机器学习 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/VectorShift/article/details/154505119

严格禁止转载

版权所有 © 2025 刘丹。
本文的全部内容（包括文字、插图、表格、图表、代码示例等）受版权法保护。未经版权所有者书面明确许可，任何单位或个人不得以任何形式（包括但不限于复印、转载、摘编、影印、扫描、改编、录入计算机检索系统、互联网传播、网络下载或以其他方式使用）复制、传播或改编本文的全部或任何部分。
违者将依法追究法律责任。
如需转载或引用本书内容进行教学、研究或出版，请通过以下联系方式申请许可：
联系人：刘丹；电子邮件：3549233510@qq.com。

本章内容包括：一般隐变量模型、VAE（ELBO 完整推导及变体 β-VAE、VQ-VAE）、可逆流（正向/逆向流、变分/概率流、Neural ODE/FFJORD 的连续流表示与迹估计）、能量模型（EBM）以及工程/实现注意点（连贯性、可逆性、近似似然问题）、简单 flow 实现与 Jacobian/可逆性验证、高维可扩展性比较与与扩散模型的对比。

1. 一般隐变量模型与证据下界（ELBO）的严格推导

1.1 模型定义与目标

1.2 ELBO 的推导

了解本专栏 订阅专栏 解锁全文 超级会员免费看
MATLAB算法实战应用案例精讲-【深度学习】扩散模型(DM)（补充篇）
qq_36130719的博客
12-12 2173
概念和定义根据扩散模型的定义，统一的框架可以被描述为两个独立的过程—即前向过程和反向的过程。每个过程有许多性质相似的步骤组成，分别为前向步骤和反向步骤，对于过程中的任意时间t，模型的整体可以被表述为。
现代机器学习研究进展 第二部分 模型与架构 第13章：能量模型（EBM）与 Score-based 表示 —— 原理、推导
VectorShift的博客
11-06 23
的严格数学联系讲清楚，并给出可工程化的训练/采样范式、稳定性建议与伪代码。为了便于实现，推导尽量完整、逐步进行；需要的假设、边界项也会明确指出。、采样方法（Langevin、SGLD）以及与。
深入解析扩散模型：马尔可夫链前向过程方差调度与ELBO优化
zuiyuelong的博客
08-02 965
在人工智能技术飞速发展的2025年，无监督学习与生成模型已成为推动AI领域突破的核心引擎。这类模型通过从无标注数据中自动发现模式和结构，不仅解决了标注数据稀缺的行业痛点，更在创造性任务中展现出超越传统监督学习的独特优势。在深度学习的生成模型领域，扩散模型（Diffusion Models）已成为当前最受关注的技术范式之一。其核心思想源于物理学中的扩散过程，通过逐步添加噪声破坏数据分布，再学习逆向去噪过程来生成高质量样本。
生成式AI模型学习笔记
Humbunklung的专栏
05-31 1016
本文系统梳理了主流深度生成式模型的类型及其特点，包括能量模型、变分自编码器（VAE）、生成对抗网络（GAN）、流模型、自回归模型、扩散模型和一致性模型。各类模型在生成方式、训练目标、样本质量、采样速度等方面各有优劣。能量模型和 VAE 以概率建模为核心，GAN 通过对抗训练生成高质量样本，流模型强调可逆性和精确似然计算，自回归模型适合序列建模，扩散模型和一致性模型则在高质量生成和高效采样之间取得平衡。生成式模型已广泛应用于图像、文本、音频等领域，并持续推动 AI 技术进步。
43、判别、描述与生成模型家族解析
ii567的博客
08-26 31
本文深入解析了判别模型、描述模型和生成模型的原理及其内在联系。首先探讨了判别模型与描述模型通过贝叶斯规则的等价性，并介绍了噪声对比估计（NCE）和流对比估计（Flow NCE）等学习方法。随后，详细阐述了生成潜变量模型的结构、多层扩展及其最大似然估计（MLE）学习方式。最后，对三类模型的特点、应用场景以及未来发展趋势进行了全面对比分析，涵盖了模型融合、多模态学习和与强化学习结合等方向。
扩散模型Diffusion model | 基于分数的生成模型
m0_62249876的博客
11-13 4937
现有的图像生成技术在很大程度上可以根据它们如何表示概率分布分为两类。基于似然的模型，通过（近似）最大似然直接学习分布的概率密度（或质量）函数。典型的基于似然的模型包括自回归模型、归一化流动模型、基于能量的模型（EBM） 和变分自编码器 （VAE）。隐式生成模型，其中概率分布由其采样过程的模型隐式表示。如生成对抗网络（GAN），其中通过用神经网络转换随机高斯向量来合成来自数据分布的新样本。
【机器学习chp14 — 总】生成式模型大全—扩散模型Diffusion、生成对抗网络GAN、变分自编码器VAE（草履虫都能看懂，超详细分析，易于理解，推导严谨，一文就够了）
m0_56997192的博客
03-21 1588
在大多数传统任务中，神经网络被视为一个确定性的映射例如，在图像分类中，输入图像（例如尺寸为的RGB图像）经过神经网络映射到一个固定类别集合这意味着给定一个输入图像，模型输出一个类别标签。从确定性映射到概率映射：传统神经网络映射被扩展为，允许输出多样化结果。模型多样性与创造性：通过引入随机性（例如随机变量）生成不同样式的输出，从而满足如图像生成、文本生成等任务的“创造力”需求。极大似然估计与KL散度：利用极大似然原理最大化真实数据的似然，等价于最小化真实分布与模型分布间的 KL 散度。
AI产品经理手册（Ch1-2）AI Product Manager‘s Handbook学习笔记
weixin_44923674的博客
07-28 1333
AI Product Manager's Handbook是AI产品管理者的实战指南，旨在系统化解构人工智能产品的构建逻辑与成功要素。 Part1 部分的 Ch1-2 系统梳理人工智能的核心概念、基础设施与工具、模型开发及维护等关键内容，构建 AI 产品管理的知识体系，从核心概念到落地实践形成完整闭环。为 AI 产品经理提供了从理论到实践的全面指导，助力其理解并成功构建、管理 AI 产品。
MIT6.S184 Flow Matching and Diffusion Models 笔记
m0_67168421的博客
09-17 945
我们遇到的各种数据都可以表示成一个向量：图像可以由高度H宽度W和3个通道数 (RGB) 表示为，视频多一个时间维度T可以表示为，蛋白质由N个原子组成，每个原子有自己的xyz坐标，整个蛋白质可表示为. 并且这些数据都是连续的，，而不是文本这样的离散数据。在机器学习中，，例如要生成狗的图片，数据分布中那些看起来像狗的图片就有更高的概率密度。而我们的，换句话说，它们是真实数据分布的代理 (proxy). 另外有时候我们会希望在给定条件y下进行生成，这时数据分布就是一个条件分布那么如何从数据分布中采样呢。
扩散模型（Diffusion Model）最新综述！
热门推荐
zandaoguang的博客
09-15 2万+
点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达本综述来自西湖大学李子青实验室、香港中文大学Pheng-Ann Heng和浙江大学陈广勇团队，对现有的扩散生成模型进行了全面的回顾。本文首先提出了diffusion model改进算法的细化分类与深度解析，同时对diffusion model的应用进行了系统的回顾，最后率先汇总领域内benchmarks。这也促进了后续工作《Dif...
精选资源
《可解释机器学习：模型、方法与实践》读书笔记模板.pptx
09-16
第2章可解释机器学习中，作者详细介绍了模型的可解释性、可解释性的作用、可解释性的实现等内容。 理论部分（第3-4章）根据可解释机器学习的分类，从内在可解释和事后可解释两个方向介绍了该领域中常见的模型和方法...
22、可解释机器学习模型：GAM、EBM与XGBoost的探索
ol789012的博客
08-27 67
本文探讨了从基线可解释模型出发，逐步引入广义相加模型（GAM）、具有双向交互的广义相加模型（GA2M）与可解释提升机（EBM）、以及带约束与无约束的XGBoost模型的过程。通过在信用卡违约预测数据集上的实验，分析了不同模型在保持可解释性的同时提升性能的能力。重点比较了各模型的验证AUC、特征重要性分布、模型行为的合理性以及部署健壮性，强调了模型编辑、调试与事后解释方法（如SHAP值）的重要性。最终目标是在模型复杂性与可解释性之间找到平衡，以支持风险敏感场景下的决策。
11、机器学习模型的构建与解释：从EBM到GAMI - Net
brown的博客
07-25 45
本文详细介绍了机器学习模型的构建与解释过程，重点分析了EBM和GAMI-Net两种模型的应用与比较。内容涵盖数据集处理、模型训练、全局与局部解释方法、性能评估以及模型解释的挑战。同时，介绍了模型无关的全局解释方法，如排列特征重要性和SHAP，并讨论了可视化技术及其在特征分析中的作用。文章旨在帮助读者不仅关注模型性能，还要深入理解模型决策过程，以提高可解释性和实用性。
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习与集成方法：组合多个学习器来提高整体性能
hiliang521的博客
12-02 843
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习
【模式识别与机器学习（15）】机器学习算法-主成分分析
hiliang521的博客
12-02 858
【模式识别与机器学习（15）】主成分分析
机器学习（一）
weixin_52554463的博客
12-01 929
机器学习学习笔记
当AI遇见MEMS：机器学习如何优化微振镜的控制与可靠性预测
m0_57847742的博客
12-04 1019
您认为在控制优化与可靠性预测这两个方向中，哪一项的产业化落地会更快，面临的障碍更小？
用Python玩转GAN：让AI学会“造假”的艺术
2303_77568009的博客
12-03 1489
本项目基于PyTorch实现了生成对抗网络（GAN），用于生成手写数字图像。通过搭建生成器和判别器的卷积神经网络结构，采用对抗训练策略，成功在MNIST数据集上训练出能够生成逼真数字图像的模型。实践过程中解决了GPU环境配置、Windows多进程加载数据、网络优化等关键技术问题，最终实现了从随机噪声到清晰数字图像的端到端生成。该实践加深了对深度学习框架使用、模型训练调优及GAN原理的理解，为机器学习算法学习提供了完整案例。
0013机器学习聚类算法（无监督算法）
最新发布
老欧学视觉的博客
12-05 620
机器学习聚类算法摘要 聚类是一种无监督学习技术，通过将相似数据对象聚集到同一簇中，同时最大化不同簇之间的差异性。K-means是最常用的聚类算法之一，其思想简单但效果显著，广泛应用于市场划分、机器视觉等领域。K-means通过迭代优化聚类中心位置实现数据分组，但存在需要预先确定K值和初始中心敏感的问题。肘方法通过观察不同K值下误差平方和的变化趋势来确定最佳聚类数，而K-means++算法改进了初始中心选择方式。实际应用中，K-means可用于鸢尾花数据集等分类任务，通过轮廓系数等指标评估聚类效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值