Normalisierter Fluss

Dieser Artikel wurde wegen inhaltlicher Mängel auf der Qualitätssicherungsseite der Redaktion Informatik eingetragen. Dies geschieht, um die Qualität der Artikel aus dem Themengebiet Informatik auf ein akzeptables Niveau zu bringen. Hilf mit, die inhaltlichen Mängel dieses Artikels zu beseitigen, und beteilige dich an der Diskussion! (+) Begründung: Es gibt noch mehr Fachausdrücke zu verlinken (vielleicht sogar blau?), und es reicht nicht aus, den Einleitungssatz von en:Flow-based generative model in 2 deutsche Sätze zu überführen. -- Olaf Studt (Diskussion) 23:10, 8. Mai 2022 (CEST)

Ein flussbasiertes generatives Modell ist ein generatives Modell, welches die Wahrscheinlichkeitsdichte der zugrundeliegenden Trainingsdaten schätzt, indem der normalisierte Fluss (normalizing flow) berechnet wird. Der normalizing flow wird aus den Rechenregeln zum Wechseln der Variablen bei Integration (siehe Transformationssatz) hergeleitet, wobei eine einfache Verteilung in die komplizierte Zielverteilung transformiert wird.

Schema, welches den normalisierten Fluss darstellt

Normalisierten Flüssen liegt die folgende Tatsache zugrunde: Betrachten wir die bijektive Abbildung $g$, sodass $Y=g(X)$, dann gilt laut Transformationssatz

$p_{X}(x)=p_{Y}(g(x))\left|{\frac {\partial g(x)}{\partial x}}\right|\Leftrightarrow p_{Y}(y)=p_{X}(g^{-1}(y))\left|{\frac {\partial g(x)}{\partial x}}\right|^{-1},$

wobei $\left|{\frac {\partial g(x)}{\partial x}}\right|$ der Betrag der Funktionaldeterminante ist und $g$ durch neuronale Netze parametrisiert wird.