反思基于能量的生成式模型：中山大学研究者从粒子演化角度改进经典的FRAME

机器之心发布作者：Xu Cai、Ziliang Chen等生成式建模指给定一定量数据观察下，学习其潜在的数据分布。经过学习后的生成模型可以合成类似真实的数据样本，从而赋予智能体模仿人类的创造能力。来自中山大学的研究者们从粒子随机演化的角度重新看待基于能量的经典生成式模型——FRAME模型中样本的生成过程，他们利用Jordan-Kinderlehrer-Otto（JKO）离散流代替KL离散流，改进了采样粒子的演变以及参数估计的迭代方式，且不破坏原模型的统计连续性。背景：基于能量的生成模型提到生成式建模，读者们总是第一时间想到生成对抗网络 (generative adversarial network, GAN)。GAN 采用隐式的生成式建模方法 [8]，其先假定一个较为简单的随机变量的分布如高斯分布，，后使用可学的非线 ………………………………