研究人员开发了 AMF-VI-sEMA，一种用于归一化流的新型两阶段框架，旨在改进近似推理。该方法使用基于单纯形指数移动平均 (sEMA) 更新的稳定全局加权机制。该框架在第一阶段独立训练多个专家架构，然后在第二阶段学习全局混合权重，从而避免了组件崩溃和计算开销。 AI
影响 这项研究引入了一种用于归一化流中近似推理的新颖方法，有可能提高跨不同后验几何形状的泛化能力。
排序理由 该集群包含一篇详细介绍归一化流新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.03809v1 Announce Type: cross Abstract: Normalising flows provide a powerful variational family for approximate inference, yet individual architectures often fail to generalise across heterogeneous posterior geometries. We revisit mixture-based flow formulations and int…
Normalising flows provide a powerful variational family for approximate inference, yet individual architectures often fail to generalise across heterogeneous posterior geometries. We revisit mixture-based flow formulations and introduce \emph{AMF\mbox{-}VI\mbox{-}sEMA}, a two-sta…