Erweiterte Normalisierende Flüsse: Brückenschlag zwischen generativen Flüssen und latenzvariablen Modellen

In dieser Arbeit stellen wir eine neue Familie von generativen Flüssen auf einem erweiterten Datenspace vor, deren Ziel darin besteht, die Ausdruckskraft zu verbessern, ohne die Rechenkosten für das Sampling und die Bewertung einer unteren Schranke der Likelihood erheblich zu erhöhen. Theoretisch zeigen wir, dass die vorgeschlagene Flussstruktur als universeller Transportabbildung eine Hamiltonsche ODE approximieren kann. Empirisch demonstrieren wir state-of-the-art-Leistungen auf Standardbenchmarks des flussbasierten generativen Modellierens.