Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows
Este artículo introduce un método de inferencia amortizada utilizando flujos normalizadores ponderados por verosimilitud que supera las limitaciones de las distribuciones base unimodales estándar mediante la inicialización con un Modelo de Mezcla Gaussiana, capturando así con precisión distribuciones posteriores multimodales y no gaussianas en problemas inversos de alta dimensión, tal como se demuestra en evaluaciones comparativas multimodales y en una aplicación de física de sabor pesado.