76
правок
Изменения
→Таксономия порождающих моделей
===Таксономия порождающих моделей===
[[Файл:Tax2.jpg|500px|thumb|right|Таксономия порождающих моделей]]
Генеративные модели различаются как раз тем, как именно они строят распределение <tex>p(x; \theta)</tex>. ====Явный подход====Можно строить это распределение ''явно'', делая вероятностные предположения, которые обычно сводятся к тому, что общее распределение <tex>p(x; \theta)</tex> выражается в виде произведения тех или иных распределений.
Как правило, модели, где плотность известна явно, делают какие-то дополнительные предположения на структуру этих распределений.
Если хочется явно выразить совсем сложные распределения в порождающих моделях, их приходится приближать более простыми, которые уже, в свою очередь, могут быть выражены явно. Для этого обычно используются [[Вариационный автокодировщик|вариационные методы]].
====Неявный подход====
Основная альтернатива всему этому состоит в том, чтобы использовать ''неявные'' порождающие модели, в которых мы не пытаемся получить функцию, подсчитывающую плотность нужного распределения в каждой точке, а просто моделируем то, что нам от этой модели нужно. Например, если мы хотим просто научиться порождать фотографии милых котиков, нам не так важно иметь явную функцию плотности <tex>p(x)</tex>, которая могла бы сказать, насколько вероятно, что перед нами котик, - вполне достаточно просто уметь генерировать новые <tex>x \sim p(x)</tex>.
== Глубокие порождающие модели на основе нейронных сетей ==
