【芝加哥博士论文】深度生成模型:设计、改进和应用，149页pdf

深度生成模型（DGM）将深度神经网络与生成模型结合，以学习感兴趣数据的底层生成机制。这已经成为从数据中提取知识的重要方法，适用于机器学习和人工智能。然而，尽管具有潜在的潜力，学习和应用DGM在不同领域中仍然存在许多挑战。因此，本论文的重点是理解、改进和应用不同的深度生成模型。首先，我们介绍了不同DGM的基本原理，包括变分自动编码器（VAE）、基于流的模型、生成对抗网络（GAN）和基于能量的模型（EBM）。我们还提出了VAE的新对应物：变分潜在优化（VLO），它不需要编码器结构。此外，我们提供了一种新的角度来理解EBM的生成过程，建立了EBM和GAN之间的联系，并设计了一种新方法来提高EBM样本质量。接下来，我们提出了两种混合型DGM，以改善当前模型的生成质量。首先，我们将基于流的模型和变分自动编码器结合，以提 ………………………………