【干货】DeepMind 研究科学家深度生成模型报告,视频+PPT一文全揽最新前沿进展(附下载)

2017 年 12 月 27 日 专知 专知内容组(编)

【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。


请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知),

  • 后台回复“DGM” 就可以获取Deep Generative Models PPT下载~

▌PPT详细内容








参考链接:

http://www.auai.org/uai2017/tutorials.php

http://www.auai.org/uai2017/media/tutorials/suchi.pdf

-END-

专 · 知

人工智能领域主题知识资料查看获取【专知荟萃】人工智能领域26个主题知识资料全集(入门/进阶/论文/综述/视频/专家等)

同时欢迎各位用户进行专知投稿,详情请点击

诚邀】专知诚挚邀请各位专业者加入AI创作者计划了解使用专知!

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料

请扫一扫如下二维码关注我们的公众号,获取人工智能的专业知识!

请加专知小助手微信(Rancho_Fang),加入专知主题人工智能群交流!

点击“阅读原文”,使用专知

登录查看更多
8

相关内容

深度生成模型基本都是以某种方式寻找并表达(多变量)数据的概率分布。有基于无向图模型(马尔可夫模型)的联合概率分布模型,另外就是基于有向图模型(贝叶斯模型)的条件概率分布。前者的模型是构建隐含层(latent)和显示层(visible)的联合概率,然后去采样。基于有向图的则是寻找latent和visible之间的条件概率分布,也就是给定一个随机采样的隐含层,模型可以生成数据。 生成模型的训练是一个非监督过程,输入只需要无标签的数据。除了可以生成数据,还可以用于半监督的学习。
少标签数据学习,54页ppt
专知会员服务
192+阅读 · 2020年5月22日
深度强化学习策略梯度教程,53页ppt
专知会员服务
175+阅读 · 2020年2月1日
生成对抗网络的研究进展与趋势
中国计算机学会
35+阅读 · 2018年11月14日
115页Slides带你领略深度生成模型全貌(附PPT)
数据派THU
10+阅读 · 2018年7月31日
Arxiv
99+阅读 · 2020年3月4日
Arxiv
9+阅读 · 2019年4月19日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
27+阅读 · 2018年4月12日
Arxiv
4+阅读 · 2018年3月23日
VIP会员
相关论文
Top
微信扫码咨询专知VIP会员