非教師ありの確率モデルの学習は、機械学習における中心的な課題でありながら、難易度の高い問題です。特に、学習、サンプリング、推論および評価が扱いやすいモデルを設計することは、この課題を解決する上で重要です。本研究では、実数値体積保存しない（real NVP）変換という強力な逆変換可能かつ学習可能な変換群を用いて、そのようなモデルの空間を拡張しました。これにより、正確な対数尤度計算、正確なサンプリング、潜在変数の正確な推論、および解釈可能な潜在空間を持つ非教師あり学習アルゴリズムを開発しました。私たちは4つのデータセットにおいてサンプリング、対数尤度評価および潜在変数操作を通じて、自然画像のモデリング能力を示しています。注：- "tractable" は「扱いやすい」や「解析可能」などと訳されることが多いですが、「扱いやすい」の方がより一般的で自然な表現です。- "real-valued non-volume preserving (real NVP)" は専門的な技術用語であるため、「実数値体積保存しない（real NVP）」と訳し、原文も括弧内に記載しました。- "latent space" は「潜在空間」と訳します。- "log-likelihood" は「対数尤度」と訳します。