Generative Modelle

Ein generatives Modell, das autoregressive und flow-basierte Methoden kombiniert, um eine flexible Datenverteilungslernen zu ermöglichen.

Beta-VAE ist eine Art von variationalem Autoencoder, der sich darauf konzentriert, erlernte Repräsentationen durch die Anpassung eines Hyperparameters, Beta, zu entwirren.

Ein bedingter Variational Autoencoder (CVAE) ist eine Art neuronales Netzwerk, das Daten in Abhängigkeit von bestimmten Eingabe-Labels generiert.

CycleGAN ist eine Art neuronales Netzwerk, das Bild-zu-Bild-Übersetzungen ohne gepaarte Beispiele ermöglicht.

Deep Generative Models sind KI-Systeme, die lernen, neue Datensamples zu erstellen, die den bestehenden Daten ähnlich sind.

Der FID-Wert misst die Qualität der generierten Bilder, indem er sie mit echten Bildern vergleicht.

Flow-basierte Generative Modelle verwenden invertierbare Transformationen, um hochdimensionale Daten aus einfacheren Verteilungen zu generieren.

GAN-Kollaps bezieht sich auf ein Phänomen, bei dem ein Generative Adversarial Network (GAN) keine vielfältigen Ausgaben erzeugt und oft ähnliche Ergebnisse produziert.

GAN Inversion bezieht sich auf den Prozess, reale Bilder wieder in den latenten Raum eines Generative Adversarial Network (GAN) abzubilden.

GAN Space bezieht sich auf den latenten Raum von Generative Adversarial Networks, in dem verschiedene Punkte zu einzigartigen generierten Ausgaben führen.

Generative Flow Networks sind KI-Modelle, die Daten erzeugen, indem sie komplexe Verteilungen durch kontinuierliche Transformationen erlernen.

GIFA-Verlust ist eine Metrik, die verwendet wird, um generative Modelle anhand ihrer Fähigkeit zu bewerten, realistische Proben zu erzeugen.

Das Glow-Modell ist ein generatives Modell, das zur Erstellung komplexer Datenverteilungen verwendet wird, insbesondere im Bereich KI und Deep Learning.

Der Goodfellow GAN ist eine Art generatives adversariales Netzwerk, das realistische Daten durch adversariales Training erzeugt.

Die Gradientenstrafe ist ein Regularisierungsterm, der im maschinellen Lernen verwendet wird, um die Stabilität und Leistung des Modells zu verbessern.

Eine Helmholtz-Maschine ist eine Art generatives Modell, das lernt, Datenverteilungen darzustellen.

Masked Autoregressive Flow ist eine neuronale Netzwerktechnik zur Erzeugung komplexer Datenverteilungen mithilfe autoregressiver Modelle.

Mode Collapse tritt auf, wenn ein generatives Modell eine begrenzte Vielfalt an Ausgaben produziert und sich auf wenige Muster konzentriert.

PixelCNN ist ein Deep-Learning-Modell zur Generierung von Bildern Pixel für Pixel unter Verwendung von konvolutionalen neuronalen Netzwerken.

RealNVP ist eine Art Deep-Learning-Modell, das für generative Aufgaben verwendet wird und effizientes Sampling von Daten sowie Dichteschätzung ermöglicht.

Ein score-basiertes generatives Modell erzeugt neue Daten, indem es die Score-Funktion einer Wahrscheinlichkeitsverteilung lernt.

Stable Diffusion ist ein Deep-Learning-Modell zur Generierung von Bildern aus Textanweisungen.

Ein Variational Autoencoder (VAE) ist eine Art neuronales Netzwerk, das neue Daten generiert, die dem Trainingsdatensatz ähnlich sind.