本文多圖，建議閱讀8分鐘。
本文為大家帶來了斯坦福大學PH.D Aditya Grover同學的深度生成模型tutorial。
[ 導讀 ]當地時間 7 月 13 - 19 日，備受關注的 AI 頂級國際會議 IJCAI 在瑞典斯德哥爾摩舉行。在這次會議上，人工智能和機器學習領域的研究者為我們呈現了這一領域的研究前沿，其中包括：約束學習Constraint Learning、生成對抗網絡（GAN）、博弈論、AI倫理等等，呈現出很強的多樣性；與此同時，一些資深研究者也帶來了一些極具看點和啟發價值的演講和教程，本文為大家帶來了斯坦福大學PH.D Aditya Grover同學的深度生成模型tutorial，希望對大家的學習有所幫助。
摘要
生成模型是圖模型與概率編程語言中概率推理的核心範例，最近由於神經網絡在參數化方面的改進、以及基於梯度隨機優化方面的進展，使得可以對高維數據進行跨模態建模。
本教程的前半部分，將全面介紹深度生成模型，包括生成對抗網絡、變分自編碼器以及自迴歸模型。對於每一個模型，我們都將深入探討各自的概率公式、學習算法、以及與其他模型的關係。後半部分將演示一組具有代表性的推理任務，展示深度生成網絡在其中的應用。最後，我們將討論堂前領域面臨的挑戰，並展望未來的研究方向。
目錄
第一部分：
- 生成模型的動機，以及與判別模型的對比
- 生成模型的定義、特徵、估計密度、模擬數據、學習表示
- 傳統生成模型方法，以及深度網絡在參數化方面的作用
- 基於學習算法的生成模型分類，基於相似點的學習和無相似點的學習
- Likelihood-based學習實例
- 自迴歸模型
- 變分自編碼器
第二部分：
- Likelihood-based學習實例（續）
- 規範化流模型
- Likelihood-free 學習實例
- 生成對抗網絡
- 深度生成模型的實例
- 半監督學習
- 模仿學習
- 對抗樣本
- 壓縮感知
- 關於生成模型未來研究的主要挑戰和展望
後臺私信回覆“0731” 就可以獲取115頁深度生成模型 PPT 下載鏈接
附PPT：
-END-
原文鏈接：
https://ermongroup.github.io/generative-models/
分享到:
閱讀更多 THU數據派 的文章
