条件生成流的结构化输出学习

传统的结构化预测模型尝试学习条件概率，即 p(y|x)，以捕捉结构化输出 y 与输入特征 x 之间的关系。对于许多模型，计算该条件概率是不可处理的。因此，这些模型很难训练，通常需要使用替代目标或变分推断来近似条件概率。在本文中，我们提出了条件 Glow (c-Glow)，一种用于结构化输出学习的条件生成流。C-Glow 受益于流模型能够精确且高效地计算 p(y|x) 的能力。使用 c-Glow 的学习不需要替代目标或在训练期间进行推断。一旦训练完成，我们可以直接和高效地生成条件样本。我们开发了一种基于样本的预测方法，可以利用这一优势实现高效和有效的推断。在我们的实验中，我们在五个不同的任务上测试了 c-Glow。C-Glow 在某些任务中超越了最先进的基线，并在其他任务中预测了可比的输出。结果表明，c-Glow 是多功能的，适用于许多不同的结构预测问题.