Key points are not available for this paper at this time.
In diesem Artikel wird ein allgemeines Framework für den Transport von Wahrscheinlichkeitsmaßen in Richtung minimal divergenter generativer Modellierung und Sampling unter Verwendung gewöhnlicher Differentialgleichungen (ODEs) und reproduzierender Kern-Hilbert-Räume (RKHSs) präsentiert, inspiriert von Ideen der diffeomorphen Anpassung und Bildregistrierung. Eine theoretische Analyse der vorgeschlagenen Methode wird vorgestellt, die a priori Fehlergrenzen in Bezug auf die Komplexität des Modells, die Anzahl der Proben im Trainingssatz und Modellfehlanpassungen angibt. Eine umfangreiche Suite numerischer Experimente hebt weiter die Eigenschaften, Stärken und Schwächen der Methode hervor und erweitert deren Anwendbarkeit auf andere Aufgaben, wie bedingte Simulation und Inferenz.
Pandey et al. (Mon,) untersuchten diese Frage.