讀論文——Variational inference with Gaussian mixture model and householder flow
1. 標題：在變分推斷中使用GMM和householder 2. 摘要精讀 3. 文中需要掌握的知識點 3.1 什麼是Normalizing Flow 3.2 通過NF得到了什麼樣得變分下界 通過NF，我們得後驗分佈可以變爲如下，其中，z維隨機變量，服從q分佈，行列式維雅可比矩陣。 然後利用性質： 得到變分下界 3.3 網絡的結構 3.4 如何計算兩個GMM之間的KL散度（會推導） 利用一個log
相關文章
- 1. GAUSSIAN MIXTURE VAE: LESSONS IN VARIATIONAL INFERENCE, GENERATIVE MODELS, AND DEEP NETS
- 2. Gaussian mixture model
- 3. DEEP UNSUPERVISED CLUSTERING WITH GAUSSIAN MIXTURE VARIATIONAL AUTOENCODERS（ICLR2017）
- 4. [Scikit-learn] 2.1 Clustering - Variational Bayesian Gaussian Mixture
- 5. Gaussian Mixture Model(GMM）探索
- 6. 論文閱讀——橢圓檢測 2016 Robust ellipse detection with Gaussian mixture models
- 7. 【論文閱讀】Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials
- 8. Clustering：Gaussian Mixture Model and Expectation Maximization
- 9. Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding(DGG)
- 10. 【論文筆記】Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials
- 更多相關文章...
- • C# 文本文件的讀寫 - C#教程
- • XSL-FO flow 對象 - XSL-FO 教程
- • RxJava操作符（七）Conditional and Boolean
- • JDK13 GA發佈：5大特性解讀
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. GAUSSIAN MIXTURE VAE: LESSONS IN VARIATIONAL INFERENCE, GENERATIVE MODELS, AND DEEP NETS
- 2. Gaussian mixture model
- 3. DEEP UNSUPERVISED CLUSTERING WITH GAUSSIAN MIXTURE VARIATIONAL AUTOENCODERS（ICLR2017）
- 4. [Scikit-learn] 2.1 Clustering - Variational Bayesian Gaussian Mixture
- 5. Gaussian Mixture Model(GMM）探索
- 6. 論文閱讀——橢圓檢測 2016 Robust ellipse detection with Gaussian mixture models
- 7. 【論文閱讀】Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials
- 8. Clustering：Gaussian Mixture Model and Expectation Maximization
- 9. Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding(DGG)
- 10. 【論文筆記】Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials