Compositional Generative Modeling: A Single Model is Not All You Need

大规模的基于海量数据训练的单体生成模型已经成为人工智能研究中越来越主流的方法。本文认为，我们应该通过组合较小的生成模型来构建大型生成系统。我们展示了这种组合生成方法如何以更节约数据的方式学习分布，从而实现对训练时未见过的数据分布的泛化。我们进一步展示了这种方法如何使我们能够为完全未见过的任务编写和构建新的生成模型。最后，我们证明在许多情况下，我们可以从数据中发现独立的组合成分。

构建大型生成系统的新方法

通过将较小的生成模型组合起来，实现更高效的数据学习和泛化能力，以及对新任务的编程和构建

论文展示了如何使用组合生成方法来更高效地学习数据分布，并能够泛化到训练时未见过的数据部分。此外，还展示了如何使用该方法对新任务进行编程和构建，并能够从数据中发现独立的组合成分。实验使用了几个数据集，并提供了开源代码。该方法值得进一步研究。

最近的相关研究包括："Compositional Explanations of Neurons"，"Compositional Planning with Language and Action in Multi-Agent Settings"，"Compositional Learning for Humanoid Motion Generation"等。