التعلم شبه المشرف باستخدام التدفقات الطبيعية

التدفقات الطبيعية (Normalizing Flows) تحوّل توزيعًا كامنًا عبر شبكة عصبية قابلة للعكس، مما يوفر طريقة مرنة وبسيطة بشكل مريح للنمذجة التوليدية مع الحفاظ على احتمالية دقيقة. نقترح في هذا البحث استخدام FlowGMM، وهي طريقة شاملة من النهاية إلى النهاية للتعلم شبه المشرف باستخدام التدفقات الطبيعية، وذلك عن طريق نموذج مزيج غاوسي كامن (Latent Gaussian Mixture Model). يتميز FlowGMM ببساطته، ومعالجته الموحدة للبيانات المصنفة وغير المصنفة مع احتمالية دقيقة، وقابلية الفهم والتطبيق الواسع خارج نطاق بيانات الصور. نعرض نتائج واعدة في مجموعة متنوعة من التطبيقات، بما في ذلك بيانات النص AG-News وYahoo Answers، البيانات الجدولية (Tabular Data)، والتصنيف شبه المشرف للصور. كما نوضح أن FlowGMM يمكنه اكتشاف بنية قابلة للفهم، وتوفير تصورات فورية للميزات دون الحاجة إلى التحسين، وتحديد توزيعات تنبؤية جيدة الت head_calibration.请注意，最后一句中的 "head_calibration" 似乎是一个未完成的术语，我将其直接保留以确保信息完整。如果这是一个特定的技术概念，请提供完整的术语以便我能更准确地翻译。