FactorVAE
FactorVAE 简述：希望解耦合隐变量 方法：逼近$p(z_1,z_2,…)=p(z_1)p(z_2)…$ 使用KL散度可以度量，文章使用的是鉴别器。 $$\overline{q(z)} = \prod q(z_i) \KL(q(z)| \overline{q(z)})$$
Variational Information
variational information bound of mutual information On variational lower bounds of mutual information 简述：总结当前互信息的估计方法 energy-based bound, E
Rigetti Computing
rigetti computing这个量子计算公司开源了许多项目，包括 qvm quilc pyquil grove 该公司的设计架构如下 QCS提供量子计算云服务 QVM提供量子计算机的模拟器 QPU提供真实的量子计算机硬件 Pyquil提供初级的量子程序设计工具 Gr
Quantum Algorithms
Basic ConceptQubit一位量子比特可以表示为$|0\rangle,|1\rangle$态的叠加，记为： $$ |\psi\rangle = \alpha|0\rangle+\beta|1\rangle \\ |\alpha|^2+|\beta|^2=1 \\ \a
Geometric Enclosing Networks
Geometric Enclosing Networks 问题： GEN是什么，有什么有价值的东西？ 回答： GEN是一种生成网络，与VAE，GAN相比，它没有直接估计分布密度，没有直接度量$P_{data},P_{model}$。引入几何解释与核方法。 Model模型分为两大
PNL, ICA, VB
Post-Nonlinear Independent Component Analysis by Variational Bayesian Learning 问题：解决非线性的盲源分离问题。 方法：模型使用链接矩阵$A$表达线性叠加部分，MLP表达非线性部分。变分贝叶斯方法（V
Normalizing Flows
NICE: NON-LINEAR INDEPENDENT COMPONENTS ESTIMATION 问题：什么是好的特征表示？（what is a good representation?）非线性的ICA问题。 回答： 好的特征表示能使数据模型更加简单（a good repr
Variational Autoencoder
简介概率模型的问题主要是求解后验或者似然，隐变量的存在使得表达式有可能变得异常复杂。很多时候，后验往往没有解析表达式，或者难以计算。这样使得近似估计成为必不可少的工具。除了可以使用抽样算法（一般有MCMC，重要性抽样算法等）做估计以外，还可以使用近似推理的方法。近似推理的核心思想
Sampling
核心问题：如何又快（计算成本低）又好（采样效率高）地采样，一般问题归结为如何计算一个难以解析求解的积分，例如计算后验，期望等。 MC最古老可以追溯到投针问题，但是现代的MC算法由电子计算机的出现开始广泛使用。 解决解析计算下面的积分十分困难，可以转化为采样估计问题 $$\math
Variational Bayesian Method
Introduction变分贝叶斯方法是一类解决贝叶斯推断中难以求解的积分计算问题的方法。一般地，这个概率模型包含三部分，可观察变量，隐藏变量和参数。三种随机变量之间的关系可以用一个概率图描述。VB主要由两种用途： 提供分析隐藏变量后验的解析逼近方法（构造变分函数）。 提供计算
