115页PPT带你领略深度生成模型全貌（附下载链接）

本文为大家带来了斯坦福大学PH.D Aditya Grover同学的深度生成模型tutorial，希望对大家的学习有所帮助。

资源获取方式：

• 点击 阅读原文 获取资源

• 或在输入关键词“深度生成模型”获取资源

生成模型是图模型与概率编程语言中概率推理的核心范例，最近由于神经网络在参数化方面的改进、以及基于梯度随机优化方面的进展，使得可以对高维数据进行跨模态建模。

本教程的前半部分，将全面介绍深度生成模型，包括生成对抗网络、变分自编码器以及自回归模型。对于每一个模型，我们都将深入探讨各自的概率公式、学习算法、以及与其他模型的关系。后半部分将演示一组具有代表性的推理任务，展示深度生成网络在其中的应用。最后，我们将讨论堂前领域面临的挑战，并展望未来的研究方向。

第一部分

●  生成模型的动机，以及与判别模型的对比

●  生成模型的定义、特征、估计密度、模拟数据、学习表示

●  传统生成模型方法，以及深度网络在参数化方面的作用

●  基于学习算法的生成模型分类，基于相似点的学习和无相似点的学习

●  Likelihood-based学习实例

●  自回归模型

●  变分自编码器

第二部分

●  Likelihood-based学习实例（续）

●  规范化流模型

●  Likelihood-free 学习实例

●  生成对抗网络

●  深度生成模型的实例

●  半监督学习

●  模仿学习

●  对抗样本

●  压缩感知

●  关于生成模型未来研究的主要挑战和展望。

为您推荐

从技术到人才，清华-中国工程院知识智能联合实验室发布「2018自然语言处理研究报告」

解析深度学习优化：Momentum、RMSProp 和 Adam

异常点检测算法小结

聊一聊激活函数