Conditional Invertible Generative Models for Supervised Problems

Invertierbare neuronale Netze und sogenannte „Normalizing Flows“ haben in der Theorie vielfache vorteilhafte Eigenschaften im Vergleich zu anderen generativen Modellen. Jedoch werden sie selten für echte Anwendungen eingesetzt, da ihre Outputs nicht ohne weiteres gesteuert werden können. In dieser Arbeit präsentieren wir deshalb drei neue Methoden, die dieses Standardsetting erweitern, was wir breiter als generative invertierbare Modelle bezeichnen. Diese neuen Modelle machen sich die theoretischen und praktischen Vorteile von invertierbaren neuronalen Netzen zunutze, um Aufgaben des überwachten Lernens zu lösen, inklusive mehreren Anwendungen in den Naturwissenschaften. Das Kernergebnis besteht in der Beobachtung, dass unsere Methoden in vielen Aspekten die Vertrauenswürdigkeit ("Trustworthiness") der Vorhersagen steigern, unter anderem die Quantifizierung von Unsicherheiten, die Erklärbarkeit, sowie der korrekte Umgang mit "Outliern".