MAPress
مقاله سمپل به عنوان استنباط: برنامه نویسی پیش نگرانه با دینامیک لانژوین

مقاله سمپل به عنوان استنباط: برنامه نویسی پیش نگرانه با دینامیک لانژوین

تگ‌ها: Artificial Intelligence Computer Vision and Pattern Recognition Machine Learning Neural and Evolutionary Computing چشم انداز رایانه و تشخیص الگوی محاسبات عصبی و تکاملی هوش مصنوعی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Sample as You Infer: Predictive Coding With Langevin Dynamics
عنوان مقاله به فارسی مقاله سمپل به عنوان استنباط: برنامه نویسی پیش نگرانه با دینامیک لانژوین
نویسندگان Umais Zahid, Qinghai Guo, Zafeirios Fountas
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computer Vision and Pattern Recognition,Neural and Evolutionary Computing,یادگیری ماشین , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی , محاسبات عصبی و تکاملی ,
توضیحات Submitted 22 November, 2023; originally announced November 2023. , ACM Class: I.2.0; I.2.6; I.2.10; I.4.0; I.4.8
توضیحات به فارسی ارسال شده 22 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، کلاس ACM: I.2.0 ؛I.2.6 ؛I.2.10 ؛I.4.0 ؛I.4.8

چکیده

We present a novel algorithm for parameter learning in generic deep generative models that builds upon the predictive coding (PC) framework of computational neuroscience. Our approach modifies the standard PC algorithm to bring performance on-par and exceeding that obtained from standard variational auto-encoder (VAE) training. By injecting Gaussian noise into the PC inference procedure we re-envision it as an overdamped Langevin sampling, which facilitates optimisation with respect to a tight evidence lower bound (ELBO). We improve the resultant encoder-free training method by incorporating an encoder network to provide an amortised warm-start to our Langevin sampling and test three different objectives for doing so. Finally, to increase robustness to the sampling step size and reduce sensitivity to curvature, we validate a lightweight and easily computable form of preconditioning, inspired by Riemann Manifold Langevin and adaptive optimizers from the SGD literature. We compare against VAEs by training like-for-like generative models using our technique against those trained with standard reparameterisation-trick-based ELBOs. We observe our method out-performs or matches performance across a number of metrics, including sample quality, while converging in a fraction of the number of SGD training iterations.

چکیده به فارسی (ترجمه ماشینی)

ما یک الگوریتم جدید برای یادگیری پارامتر در مدلهای ژنرال ژنرال ژنرال که بر اساس چارچوب برنامه نویسی پیش بینی کننده (PC) از علوم اعصاب محاسباتی ایجاد می شود ، ارائه می دهیم.رویکرد ما الگوریتم استاندارد PC را تغییر می دهد تا عملکرد را به صورت بر روی و بیش از آنچه که از آموزش استاندارد Auto-Auto-Ado-Ado-Auder (VAE) به دست آمده است ، تغییر دهد.با تزریق نویز گاوسی به روش استنباط رایانه شخصی ، ما آن را به عنوان نمونه گیری لنگوین بیش از حد ، که بهینه سازی را با توجه به یک شواهد محکم پایین تر (ELBO) تسهیل می کند ، دوباره درک می کنیم.ما روش آموزش عاری از رمزگذار حاصل را با در نظر گرفتن یک شبکه رمزگذار بهبود می بخشیم تا یک شروع گرم استهلاک شده در نمونه گیری لانژوین ما فراهم شود و سه هدف مختلف را برای این کار آزمایش کنیم.سرانجام ، برای افزایش استحکام به اندازه مرحله نمونه برداری و کاهش حساسیت به انحنای ، ما یک شکل سبک و به راحتی قابل محاسبه از پیش شرط را تأیید می کنیم ، با الهام از مانیفولد ریمان و بهینه سازهای سازگار از ادبیات SGD.ما با آموزش مدلهای تولیدی مانند مانند مانند با استفاده از تکنیک خود در برابر آنهایی که با الب های مبتنی بر ترفند استاندارد آموزش داده شده ، در برابر VAE ها مقایسه می کنیم.ما روش خود را از عملکرد خارج می کنیم یا عملکرد خود را در تعدادی از معیارها از جمله کیفیت نمونه مطابقت می دهیم ، در حالی که در کسری از تعداد تکرارهای آموزش SGD همگرا می شویم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.