Towards expressive and reliable deep generative models for science

Diepe generatieve modellen (DGM's) brengen een revolutie teweeg in veel toepassingsgebieden. Ze hebben echter tekortkomingen als het gaat om toepassingen in computationele - en levenswetenschappen: interpreteerbaardheid, modelleren van gemengde domeinen en omgang met logische/fysische randvoorwaarden. Bovendien ontbreekt de garantie dat de monsters die ze genereren voldoen aan gewenste eigenschappen. Klassieke probabilistische grafische modellen (PGM's) daarentegen kunnen geen complexe verdelingen modelleren en schalen moeilijk op. We overbruggen de kloof tussen beide modelklassen met efficiënte generatieve modellen gebaseerd op circuitrepresentaties met continue latente veranderlijken. Deze zijn interpreteerbaar en kunnen omgaan met expertrandvoorwaarden, vermijden ze de beperkingen van zowel PGM's als DGM's.