초록
본 연구에서는 데이터 분포의 생성 모델링을 위한 알고리즘인 생성 잠재 흐름(Generative Latent Flow, GLF)을 제안합니다. GLF는 오토인코더(Auto-encoder, AE)를 사용하여 데이터의 잠재 표현을 학습하고, 정규화 흐름(normalizing flow)을 통해 잠재 변수의 분포를 단순한 독립 동일 분포(i.i.d. noise)로 매핑합니다. 다른 오토인코더 기반 생성 모델들과 달리, 본 모델은 사전 분포와 인코딩된 잠재 분포가 일치하도록 하는 다양한 정규화기를 사용하지 않고, 이 두 분포 사이의 명시적인 매핑을 구축함으로써 더 나은 밀도 일치를 달성하면서 잠재 변수의 과도한 정규화를 피할 수 있습니다. 우리는 본 모델을 여러 관련 기술들과 비교하여, 빠른 수렴, 단일 단계 학습 및 최소 재구성 트레이드오프 등의 상대적 장점을 보여줍니다. 또한 본 모델과 그 확률적 대응체 사이의 관계를 연구하고, 본 모델이 흐름 사전을 가진 변분 오토인코더(VAEs)의 소음이 사라지는 극한으로 해석될 수 있음을 보여줍니다. 정량적으로 표준 평가 하에서, 우리의 방법은 일반적으로 사용되는 데이터셋에서 오토인코더 기반 모델들 중 최고 수준의 샘플 품질을 달성하며, GANs의 벤치마크와 경쟁력이 있습니다.