MARC

 008260126s2025        us                              c    eng  d
■001000017356579
■00520260202102956
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798286432516
■035    ▼a(MiAaPQ)AAI31769641
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aDou,  Zehao.
■24510▼aUnderstanding  Generative  Models:  From  Theory  to  Applications
■260    ▼a[Sl]▼bYale  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a310  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  A.
■500    ▼aAdvisor:  Zhou,  Harrison  H.
■5021  ▼aThesis  (Ph.D.)--Yale  University,  2025.
■520    ▼aGenerative  models-statistical  and  machine  learning  frameworks  capable  of  producing  new  data  samples-have  emerged  as  powerful  tools  for  modern  artificial  intelligence.  This  dissertation  explores  the  theoretical  underpinnings  of  generative  modeling  and  examines  their  real-world  impact  across  various  domains.  The  work  begins  by  delving  into  the  mathematical  foundations  of  probability  distributions  and  latent  variable  methods,  emphasizing  concepts  such  as  maximum  likelihood  estimation,  variational  inference,  and  adversarial  training.  Building  on  these  core  principles,  it  presents  a  unified  perspective  on  popular  architectures,  including  Variational  Autoencoders  (VAEs),  Generative  Adversarial  Networks  (GANs),  and  score-based  diffusion  models.Empirical  studies  highlight  how  these  models  can  be  leveraged  for  practical  applications  in  density  estimation,  data  augmentation,  and  image  synthesis.  Furthermore,  the  research  extends  generative  modeling  to  tackle  challenging  inverse  problems,  demonstrating  how  well-crafted  architectures  and  optimization  strategies  can  achieve  state-of-the-art  performance  in  tasks  such  as  reconstruction,  denoising,  and  signal  recovery.  By  combining  theoretical  insights  with  real-world  case  studies,  this  work  provides  a  comprehensive  understanding  of  generative  models,  offering  concrete  guidance  for  researchers,  practitioners,  and  policymakers  seeking  to  harness  their  transformative  potential.
■590    ▼aSchool  code:  0265.
■650  4▼aStatistics
■650  4▼aInformation  science
■653    ▼aDiffusion  models
■653    ▼aGenerative  Adversarial  Networks
■653    ▼aMinimax  rates
■653    ▼aReal-world  impact
■690    ▼a0463
■690    ▼a0723
■690    ▼a0800
■71020▼aYale  University▼bStatistics  and  Data  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-12A.
■790    ▼a0265
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356579▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books