واگرایی متضاد

واگرایی متضاد یک روش آموزش جایگزین برای تقریب شیب گرافیکی است که نشان دهنده رابطه بین وزن یک شبکه و خطای آن به نام شیب است. از آنجا که اکثر الگوریتم های یادگیری احتمالی سعی در بهینه سازی مقدار ورود به سیستم دارند ، این شیب نشان دهنده جهت مطلوب تغییر ، یادگیری ، برای پارامترهای شبکه است.

عملکرد خاص نیاز به اجرای زنجیره مارکوف بر روی نمونه ای از مدل احتمالی دارد ، از آخرین مثال پردازش شده. این کار به ظاهر ساده سریعترین راه برای اندازه گیری عملکرد پارتیشن ورود به سیستم بدون نیاز به اجرای یک نمونه کامل مونت کارلو است.

از کجا و چرا واگرایی متضاد استفاده می شود؟

در هر شرایطی که شما نمی توانید یک عملکرد یا مجموعه احتمالات را مستقیماً ارزیابی کنید ، نوعی مدل استنتاج برای تقریب شیب یادگیری الگوریتم مورد نیاز است و تصمیم می گیرید که کدام جهت را به سمت خود حرکت دهید.

این اغلب در دستگاه های Boltzma محدود (RBM) مشاهده می شود ، جایی که واگرایی متضاد برای محاسبه تصادفی آسانتر است (تصادفی). این تکنیک برای آموزش RBM چگونه می تواند گره های "پنهان" خود را به طور مناسب فعال کند ، سپس پارامترهای ماشه خود را بر اساس بازخورد ورودی تنظیم کرده و به طور مداوم این روند کاهش بعد را تکرار کنید.

جامع ترین علوم داده و واژه نامه هوش مصنوعی جهان

مشاهده واژه نامه

تحقیقاتی که اشاره دارد واگرایی متضاد

برآورد خانواده نمایی از طریق دینامیک مخالف تعبیه شده 04/27/2019 ∙ توسط Bo Dai 28

اپراتور محصول ماتریس ماشین های بولتزمن محدود 11/12/2018 ∙ توسط کنگ چن ∙ 22

یک الگوریتم تکاملی از پیچیدگی خطی: کاربرد برای آموزش شبکه های عصبی عمیق 07/12/2019 ∙ توسط S. Ivvan Valdez ∙ 18

چارچوب رمزگذاری نظارت محلی خود برای محدود کردن و پراکندگی توزیع ویژگی برای خوشه بندی 12/05/2018 ∙ توسط Jielei Chu ∙ 16

آموزش مدلهای مبتنی بر انرژی عمیق با به حداقل رساندن F-Rivergence 03/06/2020 ∙ توسط Lantao Yu 14

دستگاه های بولتزمن محدود خود مرتب شده 12/09/2019 ∙ توسط Orestis Loukas ∙ 13

به سمت نمونه برداری از مدلهای گرافیکی احتمالی غیر مستقیم با استفاده از یک Aealer Quantum D-Wave 05/01/2019 ∙ توسط Yaroslav Koshka ∙ 12