|
【导读】DeepMind 统计机器学习科学家Shakir Mohamed和Danilo Rezende在UAI2017大会上介绍了深度生成模型（Deep Generative Models）的最新进展。报告主要是回顾了深度生成模型（Deep Generative Models）的最新进展，两位讲者提及了深度生成模型的研究处于当前深度学习研究的前沿地带，会有越来越多的研究者关注。近几年的深度生成模型方法尝试将概率推理的普遍性与深度学习的可扩展性相结合来开发新的深度学习算法，在图像生成、语音合成和图像字幕等方面获得领先的结果。这个PPT和视频内容是学习深度生成模型非常好的资料。 生成模型(Generative Model)是概率统计和机器学习中的一个概念，指 一系列用于随机生成可观测数据的模型。在机器学习中，生成模型是非常重要的模型，既可以用在无监督学习中，也 可以用在有监督学习中。在无监督学习中，生成模型可以直接建模一些观测数 据的概率密度函数，比如高斯混合模型。在有监督学习中，生成模型可以计算 条件概率密度函数，作为计算类别后验概率的中间步骤，然后通过贝叶斯规则 可以从生成模型中得到条件分布，比如朴素贝叶斯分类器。本教程将涵盖这些主要内容。 ▌视频内容 https://v.qq.com/x/page/f05245ttcre.html ▌摘要 Deep Generative Models 本教程将回顾深度生成模型的最新进展。生成模型在人工智能不确定（Uncertainty in Artificial Intelligence, UAI）研究方面有着悠久的历史，近期的方法尝试将概率推理的普遍性与深度学习的可扩展性相结合来开发新的深度学习算法，这些算法已经在很多问题上得到广泛应用，并在图像生成、语音合成和图像字幕等方面获得领先的结果。目前深度生成模型的研究处于深度学习研究的前沿地带，因为它高效数据学习和基于模型强化学习方面有着天然的优势。在本教程中，观众将对生成模型的最新进展有全面了解，其中包括三种最活跃模型：马尔可夫模型（Markov models,）、隐变量模型（latent variable models）和隐式模型（implicit models），以及如何将这些模型扩展到高维数据。本教程还揭示这个领域仍然存在的许多问题，所以在UAI领域还有有很多研究机会。 |
|
|
