使用Real NVP进行密度估计

无监督学习的概率模型是机器学习中的一个核心但具有挑战性的问题。具体而言，设计出具有可处理的学习、采样、推理和评估的模型对于解决这一问题至关重要。我们通过使用实值非体积保持（real NVP）变换扩展了这类模型的空间，这是一种强大的可逆且可学习的变换方法，从而得到了一种无监督学习算法，该算法能够进行精确的对数似然计算、精确采样、潜在变量的精确推断以及具有解释性的潜在空间。我们在四个数据集上通过采样、对数似然评估和潜在变量操作展示了该算法在建模自然图像方面的能力。