Свързани публикации 'generative-model'


Защо се грижим за генеративните модели?
Досега сме виждали модели на дискриминация: Дадено е изображение X, предвидете етикет Y Оценки P(Y(x)) # Дискриминационните модели имат няколко ключови ограничения Cant model P(X), т.е. вероятността да видите определено изображение По този начин не може да взема проби от P(x), т.е. не може да генерира ново изображение # Генеративните модели (като цяло) се справят с всичко по-горе Може модел P(X) Може да генерира нови изображения #De-biasing Възможност за..
Силата на дифузионните модели: Изследване на механизми и приложения в реалния живот
Представете си, че компютрите превръщат шума в нещо готино. Това правят дифузионните модели. Те използват шума, за да създават невероятни чудеса. Да видим как се случва тази цифрова магия? Какво представляват дифузионните модели? Дифузионните модели са ново най-съвременно семейство от дълбоко генеративни модели. Те са вид вероятностен генеративен модел. Този модел работи, като въвежда контролиран шум в данните и след това се научава да обръща този процес, т.е. „разпръсква“ шума...
Генеративни състезателни мрежи: какво представляват и какво могат да създадат
Повечето от алгоритмите за статистика и машинно обучение, които съм срещал в живота си, винаги са работили за предсказване на едно нещо: Y. Всички те приемат набор от функции, X, и изпълняват различни техники и операции, за да предскажат резултатите. Тези алгоритми се наричат ​​дискриминативни алгоритми и тяхната структура е да предвиди стойност или етикет; тяхната обща цел може да бъде символизирана с функцията P(Y|X). По отношение на класификацията, където се опитваме да предвидим клас,..
Генеративно моделиране на температурата на морската повърхност с нормализиране на потоците
В тази публикация разглеждаме базирания на дълбок поток генеративен модел на еволюцията на океанската температура, базиран на реални данни, предоставени от Mercator Ocean. Ние се стремим да научим разпределението на данните за температурата на морската повърхност (SST), включително многоизмерни зависимости, и да генерираме потенциални бъдещи стойности на SST с пространствена зависимост между станциите, по-специално за симулиране на екстремни климатични сценарии в контекста на стрес тестове..
[ICLR 2022] Обезшумяване на съответствието на резултата на вероятността за генериране на данни въз основа на резултата на състоянието
ICLR 2022 Пълен доклад Ключови думи Генеративен модел, базиран на резултат, условно вземане на проби, DLSM Въведение Базираните на резултат генеративни модели са вероятностни генеративни модели, които оценяват функциите на резултата, т.е. градиентите на плътността на логаритмите за дадено разпределение на данни. Съгласно дефиницията на пионерската работа, процесът на обучение на генеративни модели, базирани на резултат, се нарича Score Matching (SM) , при който базиран на..
Отключване на творчеството: Генериране на реалистични човешки лица с DCGAN
DCGAN: Изкуството за създаване на реалистични човешки лица Въведение Generative Adversarial Networks (GANs) направиха революция в областта на генерирането на изображения, а архитектурата Deep Convolutional GAN ​​(DCGAN) се оказа особено ефективна при генерирането на реалистични човешки лица. В тази статия ще проучим принципите и работата на DCGAN, ще обсъдим ключовите компоненти на архитектурата и ще се задълбочим в процеса на генериране на човешки лица с помощта на DCGAN. До края..
Отключете бъдещето на кодирането със стабилност. Стабилният код на AI: 3 милиарда параметъра, множество модели...
В един непрекъснато развиващ се свят на изкуствен интелект по-малките модели често оказват толкова голямо влияние, колкото и масивните им събратя. Докато индустрията е наводнена с модели, които могат да се похвалят с десетки милиарди параметри, Stability AI възприе нов подход, приспособявайки решение, съобразено с тези, работещи на хардуер с по-нисък ресурс. Представяме ви стабилен код: модел с 3 милиарда параметри, предназначен да посрещне нуждите от кодиране в различни езици за..