实体
Conditional Normalizing Flows
Conditional Normalizing Flows
PulseAugur coverage of Conditional Normalizing Flows — every cluster mentioning Conditional Normalizing Flows across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新框架通过不确定性量化增强降阶模型精度
研究人员开发了一个新框架，用于提高复杂多尺度系统中使用的降阶模型（ROM）的精度。这种不确定性感知方法利用条件归一化流来学习低保真度模型系数与高保真度模型系数之间的概率映射。该方法旨在提高预测精度，同时量化学习到的闭合的不确定性，这对于 ROM 的可靠应用至关重要。在涡流合并问题上的实验表明，与未经校正的模型相比，该技术显著提高了 ROM 的精度。
-
新的解析双射增强了归一化流模型
研究人员为归一化流开发了新的解析双射，解决了创建表达性且可逆的变换的挑战。这些新方法提供了全局平滑性和闭式解析可逆性，克服了仿射变换或单调样条等先前方法的局限性。特别是引入的径向流架构，展示了卓越的训练稳定性和几何可解释性，以显著更少的参数实现了与更复杂模型相当的质量，并在物理模拟等应用中显示出前景。