Posterior Sampling Based on Gradient Flows of the MMD with Negative Distance Kernel
von Fabian Altekrüger, Paul Hagemann, Johannes Hertrich, Robert Beinert, Jannis Chemseddine, Gabriele Steidl
Jahr:
2024
Publikation:
International Conference on Learning Representations (ICLR)
Abstrakt:
We propose conditional flows of the maximum mean discrepancy (MMD) with the negative distance kernel for posterior sampling and conditional generative modelling. This MMD, which is also known as energy distance, has several advantageous properties like efficient computation via slicing and sorting.
Link:
Read the paperAdditional Information
Brief introduction of the dida co-author(s) and relevance for dida's ML developments.
Dr. Fabian Altekrüger
Fabian legte während seines Mathematikstudiums an der TU Berlin seinen Fokus auf Themen der Funktionalanalysis. In seiner anschließenden Promotion beschäftigte er sich mit der Regularisierung und Lösung Bayesscher inverser Probleme in der mathematischen Bildverarbeitung, wobei er mathematische Methoden mit neuronalen Netzen kombinierte. Dabei entwickelte und nutzte Fabian unter anderem bedingte generative Modelle, stets mit Blick auf die Stabilität und Robustheit der Methoden. Bei dida bringt er seine Fähigkeiten als Machine Learning Scientist ein.