MARC

 008260126s2025        us                              c    eng  d
■001000017358683
■00520260202104736
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290651675
■035    ▼a(MiAaPQ)AAI32149658
■035    ▼a(MiAaPQ)Stanfordgr246bp5721
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519.2
■1001  ▼aKruse,  Liam  A.
■24510▼aScalable  Probabilistic  Modeling  and  Inference  With  Structured  Latent  Representations
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a94  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Kochenderfer,  Mykel.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aThe  methods  developed  in  this  thesis  advance  the  scalability  of  generative  modeling  and  inference  by  using  structured  latent  representations.  High-dimensional  distributions,  such  as  those  encountered  in  robotic  trajectory  prediction  and  image  modeling,  pose  significant  computational  challenges  for  both  learning  and  inference.  By  incorporating  latent  structure  through  low-rank  approximations  and  change-of-variables  techniques,  we  introduce  principled  ways  to  improve  efficiency  without  sacrificing  model  expressivity.  These  contributions  provide  a  foundation  for  scaling  probabilistic  modeling  and  inference  to  increasingly  complex  real-world  domains.The  first  half  of  this  thesis  demonstrates  how  structured  latent  representations  can  enhance  importance  sampling  for  safety  validation  tasks.  By  conducting  sampling  in  the  latent  space  of  a  pre-trained  normalizing  flow,  we  mitigate  issues  of  mode  dropping  and  achieve  better  coverage  of  critical  failure  modes  in  high-dimensional  systems.  Additionally,  we  scale  parametric  importance  sampling  methods  to  higher  dimensions  by  using  low-rank  mixture  proposals.  These  techniques  improve  the  reliability  of  black-box  safety  validation  in  applications  ranging  from  autonomous  racing  to  aircraft  ground  collision  avoidance.The  second  half  of  this  thesis  explores  structured  latent  representations  beyond  safety  validation  by  improving  normalizing  flow  training.  By  replacing  simple  latent  priors  with  expressive  low-rank  mixture  models,  we  reduce  the  burden  on  the  flow  to  learn  complex  transformations  from  scratch.  This  approach  warm-starts  flow  training,  enhances  model  expressivity,  and  improves  density  estimation  and  generative  sampling  performance  across  tabular  and  image  datasets.
■590    ▼aSchool  code:  0212.
■650  4▼aProbability
■650  4▼aFailure
■650  4▼aOrdinary  differential  equations
■650  4▼aNormal  distribution
■650  4▼aApplied  mathematics
■650  4▼aInformation  science
■653    ▼aScaling  probabilistic  modeling
■653    ▼aStructured  latent  representations
■690    ▼a0364
■690    ▼a0723
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358683▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books