[发明专利]使用非线性条件标准化流模型的训练和数据合成和概率推断

权利要求书

1.一种训练系统（100），用于训练在数据合成或概率推断中使用的标准化流模型，包括：

-输入接口（180），用于访问：

-训练数据（192），包括数据实例（）；

-条件作用数据（194），针对数据实例限定条件（）；

-模型数据（196），限定标准化流模型，所述标准化流模型被配置为通过限定到具有已知概率分布的样本空间（）的可逆映射来对训练数据的条件概率分布进行建模，其中所述标准化流模型包括以一系列层的形式的一系列可逆变换函数，其中所述层包括至少一个非线性耦合层，所述至少一个非线性耦合层包括非线性项，其中所述非线性项由作为一个或多个神经网络的相应输出而获得的一个或多个参数来参数化；

-处理器子系统（160），被配置为训练所述一个或多个神经网络，并且从而将所述非线性项的一个或多个参数训练为一个或多个条件参数，所述一个或多个条件参数取决于数据实例（）和相关联的条件（）并且被使用基于对数似然的训练目标来训练，从而获得具有至少一个非线性条件耦合层的经训练的标准化流模型；和

-输出接口（180），用于输出表示经训练的标准化流模型的经训练的模型数据（198）。

2.根据权利要求1所述的训练系统（100），其中所述至少一个非线性条件耦合层包括条件偏移参数、条件缩放参数和限定所述非线性项的条件参数集合。

3.根据权利要求1或2中任一项所述的训练系统（100），其中所述标准化流模型的层进一步包括至少一个1×1卷积层，所述至少一个1×1卷积层包括可逆矩阵（），其中所述矩阵（）由另一个神经网络的输出参数化，并且其中所述处理器子系统被配置为：

-训练所述另一个神经网络，并且从而将所述参数化矩阵（）训练为取决于条件（）的条件矩阵。

4.根据权利要求1至3中任一项所述的训练系统（100），其中所述标准化流模型的层进一步包括至少一个缩放激活层，所述至少一个缩放激活层包括偏移参数和缩放参数，其中所述偏移参数和缩放参数均由相应神经网络的输出参数化，并且其中所述处理器子系统被配置为：

-训练相应的神经网络，并且从而将所述偏移参数和缩放参数训练为均取决于条件（）的条件偏移参数和条件缩放参数。

5.根据权利要求1至4中任一项所述的训练系统（100），其中所述标准化流模型的层包括所述层的一个或多个子集，每个子集包括：

-非线性条件耦合层，

-条件1×1卷积层，

-条件缩放激活层，以及

-混洗层。

6.根据权利要求1至5中任一项所述的训练系统（100），其中所述数据实例（）表示事件，并且其中所述条件数据（194）限定与所述事件的发生相关联的条件（）。

7.根据权利要求6所述的训练系统（100），其中所述数据实例（）表示环境中物理对象的空间位置，并且其中所述条件作用数据（）限定如下的组中的至少一个：

-环境中所述物理对象的过去轨迹；

-环境中所述物理对象中的至少一部分的定向；以及

-所述物理对象的特性。

8.一种计算机可读介质（700），包括表示模型数据的暂时性或非暂时性数据（710），所述模型数据限定标准化流模型，所述标准化流模型被配置为通过限定到具有已知概率分布的样本空间（）的可逆映射来对包括数据实例（）的数据的条件概率分布进行建模，其中所述标准化流模型包括以一系列层的形式的一系列可逆变换函数，其中所述层包括至少一个非线性耦合层，所述至少一个非线性耦合层包括非线性项，所述非线性项由作为一个或多个经训练的神经网络的相应输出而获得的一个或多个条件参数来参数化，并且所述一个或多个条件参数取决于数据实例（）和相关联的条件（）。