ترجمه فارسی مقاله نمونه‌برداری JKO عصبی با تصحیح اهمیت

چکیده

In order to sample from an unnormalized probability density function, we propose to combine continuous normalizing flows (CNFs) with rejection-resampling steps based on importance weights. We relate the iterative training of CNFs with regularized velocity fields to a JKO scheme and prove convergence of the involved velocity fields to the velocity field of the Wasserstein gradient flow (WGF). The alternation of local flow steps and non-local rejection-resampling steps allows to overcome local minima or slow convergence of the WGF for multimodal distributions. Since the proposal of the rejection step is generated by the model itself, they do not suffer from common drawbacks of classical rejection schemes. The arising model can be trained iteratively, reduces the reverse Kulback-Leibler (KL) loss function in each step, allows to generate iid samples and moreover allows for evaluations of the generated underlying density. Numerical examples show that our method yields accurate results on various test distributions including high-dimensional multimodal targets and outperforms the state of the art in almost all cases significantly.

چکیده به فارسی (ترجمه ماشینی)

به منظور نمونه برداری از یک عملکرد چگالی احتمالی غیر طبیعی ، ما پیشنهاد می کنیم جریان های عادی سازی مداوم (CNF) را با مراحل نمونه برداری از رد بر اساس وزن اهمیت ترکیب کنیم.ما آموزش تکراری CNF ها را با زمینه های سرعت منظم به یک طرح JKO مرتبط می کنیم و همگرایی زمینه های سرعت درگیر را به میدان سرعت جریان شیب Wasserstein (WGF) اثبات می کنیم.متناوب مراحل جریان محلی و مراحل نمونه برداری از ردیابی غیر محلی امکان غلبه بر حداقل یا همگرایی آهسته WGF برای توزیع های چندمودالی را فراهم می کند.از آنجا که پیشنهاد مرحله رد توسط خود مدل ایجاد می شود ، آنها از اشکالاتی مشترک در طرح های رد کلاسیک رنج نمی برند.مدل ظهور می تواند به طور تکراری آموزش دیده ، عملکرد از دست دادن معکوس Kulback-Leibler (KL) را در هر مرحله کاهش می دهد ، اجازه می دهد تا نمونه های IID را تولید کنید و علاوه بر این امکان ارزیابی چگالی زیرین تولید را فراهم می کند.مثالهای عددی نشان می دهد که روش ما نتایج دقیقی را در توزیع های مختلف آزمون از جمله اهداف چند بعدی با ابعاد بالا به دست می آورد و تقریباً در همه موارد از وضعیت هنر بهتر عمل می کند.