Abstract: In this talk we will discuss the results and implementation of the paper "GALERKIN NEURAL NETWORKS: A FRAMEWORK FOR APPROXIMATING VARIATIONAL EQUATIONS WITH ERROR CONTROL" by M. Ainsworth and J. Dong

Abstract:

Abstract: Aprender las representaciones de datos provenientes de estructuras complejas es uno de los desafíos de machine learning en la actualidad. Modelos como Generative Adversarial Networks (GANs), Variational Autoencoders (VAE) y Normalizing Flows han sido estudiados para aprender la distribución de probabilidad de un grupo de datos. De ellos, el tercero fue propuesto para resolver muchos de los problemas actuales que GANs y VAE presentan. Normalizing Flows es una herramienta estadística relativamente simple pero que ha mostrado gran potencial para construir distribuciones de probabilidad suficientemente expresivas mediante la transformación de una densidad de probabilidad a través de una serie de transformaciones invertibles, aplicando repetidamente la regla de cambio de variable. En esta charla, veremos los fundamentos de Normalizing Flows, cómo construir y entrenar esta arquitectura y algunas aplicaciones del método.

Abstract: