13.4 流模型：可逆变换与精确似然计算
13.4 流模型：可逆变换与精确似然计算
流模型是一类基于可逆变换的深度生成模型，其核心目标是通过一系列可逆的、参数化的函数，将一个简单的概率分布（如标准正态分布）转化为一个复杂的数据分布。与变分自编码器和生成对抗网络不同，流模型的显著优势在于其能够精确地计算数据点的对数似然，并支持精确的隐变量推断和高效的采样。这使得流模型在密度估计、数据增强和概率建模等领域具有独特的价值。本节将系统阐述流模型的数学基础、核心设计原则、主流实现架构及其特性。
13.4.1 基本思想：通过可逆变换建模分布
流模型的基本思想源于概率论中的变量变换公式。给定一个随机变量zzz，其概率密度函数为pZ(z)p_Z(z)pZ(z)。若存在一个可逆映射f:Rd→Rdf: \mathbb{R}^d \rightarrow \mathbb{R}^df:Rd→Rd，且其逆映射为g=f−1g = f^{-1}g=f−1。定义一个新的随机变量x=f(z)x = f(z)x=f(z)。根据变量变换公式，xxx的概率密度为：
pX(x)=pZ(g(x))⋅∣detJg(x)∣=pZ(z)⋅∣detJf(z)∣−1 p_X(x) = p_Z(g(x)) \cdot \left| \det J_g(x) \right| = p_Z(z) \cdot \left| \det J_f(z) \right|^{-1}pX(x)=pZ(g(x))⋅∣detJg(x)∣=pZ(z)⋅∣detJf(z)∣−1
其中，Jf(z)=∂f(z)∂zJ_f(z) = \frac{\partial f(z)}{\partial z}Jf(z)=∂z∂f(z)是函数fff在zzz处的雅可比矩阵，det\detdet表示行列式。该公式揭示了如何通过变换fff将一个已知分布pZp_ZpZ“流动”成一个新的分布pXp_XpX。
在流模型中，目标是通过学习一个复杂的、参数化的可逆变换fθf_{\theta}fθ，将来自简单基分布pZp_Z