কী গোপন এবং কী পর্যবেক্ষণ করা হয়
একটি লুকানো মার্কভ মডেলটিতে যে জিনিসটি লুকানো আছে তা হ'ল বিযুক্ত মিশ্রণের মডেলটিতে যেমন লুকানো থাকে তাই স্পষ্টতার জন্য, লুকানো রাষ্ট্রের গতিবিদ্যা সম্পর্কে ভুলে যান এবং উদাহরণস্বরূপ একটি সীমাবদ্ধ মিশ্রণের মডেলটি রেখে যান। এই মডেলটির 'রাষ্ট্র' হ'ল উপাদানটির পরিচয় যা প্রতিটি পর্যবেক্ষণের কারণ হয়েছিল। এই শ্রেণীর মডেলটিতে এ জাতীয় কারণগুলি কখনই পর্যবেক্ষণ করা হয় না , সুতরাং 'লুকানো কারণ' পরিসংখ্যানগতভাবে দাবিতে অনুবাদ করা হয় যে পর্যবেক্ষণ করা তথ্যের মধ্যে প্রান্তিক নির্ভরতা রয়েছে যা উত্স উপাদানটি জানা গেলে মুছে ফেলা হয়। এবং উত্স উপাদানগুলি যা এই পরিসংখ্যানগত সম্পর্ককে সত্য করে তোলে তা অনুমান করা হয়।
সিগময়েড মিডিল ইউনিটগুলির সাথে ফিডফোরওয়ার্ড মাল্টিলেয়ার নিউরাল নেটওয়ার্কে যে জিনিসটি লুকানো আছে সেগুলি হ'ল সেই ইউনিটের রাজ্যগুলি, আউটপুটগুলি নয় যা অনুমানের লক্ষ্য। যখন নেটওয়ার্কের আউটপুটটি একটি শ্রেণিবদ্ধকরণ হয়, অর্থাৎ সম্ভাব্য আউটপুট বিভাগগুলির উপর সম্ভাব্যতা বন্টন হয়, এই লুকানো ইউনিটগুলির মানগুলি একটি স্থান নির্ধারণ করে যার মধ্যে বিভাগগুলি পৃথকযোগ্য। এই জাতীয় মডেল শেখার কৌশলটি হ'ল একটি লুকানো স্থান তৈরি করা (ইনপুট ইউনিটগুলির ম্যাপিংকে সামঞ্জস্য করে) যার মধ্যে সমস্যাটি লিনিয়ার। ফলস্বরূপ, সামগ্রিকভাবে সিস্টেম থেকে অ-রৈখিক সিদ্ধান্তের সীমানা সম্ভব।
উত্পাদক বনাম বৈষম্যমূলক
মিশ্রণ মডেল (এবং এইচএমএম) ডেটা উত্পাদন প্রক্রিয়ার একটি মডেল, কখনও কখনও সম্ভাবনা বা 'ফরোয়ার্ড মডেল' নামে পরিচিত। প্রতিটি রাজ্যের পূর্ব সম্ভাব্যতা সম্পর্কে কিছু অনুমানের সাথে মিলিত হয়ে আপনি বয়েস উপপাদ্য (একটি জেনারেটিক অ্যাপ্রোচ) ব্যবহার করে লুকানো রাষ্ট্রের সম্ভাব্য মানগুলির উপর একটি বিতরণ নির্ধারণ করতে পারেন। মনে রাখবেন যে, 'পূর্ব' বলা হলেও পূর্বের এবং পরামিতিগুলির সম্ভাবনা দুটিই সাধারণত ডেটা থেকে শিখে নেওয়া হয়।
মিশ্রণ মডেল (এবং এইচএমএম) এর বিপরীতে নিউরাল নেটওয়ার্ক সরাসরি আউটপুট বিভাগগুলিতে (একটি বৈষম্যমূলক দৃষ্টিভঙ্গি) মাধ্যমে একটি পূর্ববর্তী বিতরণ শিখেছে। এটি সম্ভব কারণ অনুমানের সময় আউটপুট মানগুলি পর্যবেক্ষণ করা হয়েছিল। এবং যেহেতু এগুলি পর্যবেক্ষণ করা হয়েছে, সম্ভাবনার জন্য মিশ্রণের মতো কোনও পূর্ববর্তী এবং একটি নির্দিষ্ট মডেল থেকে একটি উত্তরোত্তর বিতরণ নির্মাণ করা প্রয়োজন নয়। উত্তরোত্তর সরাসরি ডেটা থেকে শিখে নেওয়া হয়, যা আরও দক্ষ এবং কম মডেল নির্ভর।
মিশ্রিত করা এবং মেলে
জিনিসগুলিকে আরও বিভ্রান্তিকর করার জন্য, এই পদ্ধতিগুলি একত্রে মিশ্রিত করা যেতে পারে, উদাহরণস্বরূপ যখন মিশ্রণ মডেল (বা এইচএমএম) রাজ্যটি কখনও কখনও বাস্তবে পরিলক্ষিত হয়। যখন এটি সত্য হয় এবং অন্য কিছু পরিস্থিতিতে এখানে প্রাসঙ্গিক নয়, অন্যথায় জেনারেটরি মডেলে বৈষম্যমূলক প্রশিক্ষণ দেওয়া সম্ভব। একইভাবে এইচএমএমের মিশ্রণ মডেল ম্যাপিংকে আরও নমনীয় ফরোয়ার্ড মডেল, উদাহরণস্বরূপ, নিউরাল নেটওয়ার্কের সাথে প্রতিস্থাপন করা সম্ভব।
প্রশ্নসমুহ
সুতরাং এটি একেবারেই সত্য নয় যে উভয় মডেলই লুকানো অবস্থার পূর্বাভাস দেয়। এইচএমএমগুলি লুকানো রাজ্যের পূর্বাভাস দেওয়ার জন্য ব্যবহার করা যেতে পারে, তবে কেবল ফরোয়ার্ড মডেলই যে ধরণের প্রত্যাশা করে। নিউরাল নেটওয়ার্কগুলি এখনও পর্যবেক্ষণ না করা রাষ্ট্রের ভবিষ্যদ্বাণী হিসাবে ব্যবহার করা যেতে পারে , যেমন ভবিষ্যতের রাজ্যগুলির জন্য ভবিষ্যদ্বাণীকারী উপলব্ধ। এই ধরণের রাষ্ট্র নীতিগতভাবে গোপন নয়, এটি এখনও পর্যবেক্ষণ করা হয়নি।
আপনি কখন অন্যটির চেয়ে একটি ব্যবহার করবেন? ঠিক আছে, নিউরাল নেটওয়ার্কগুলি আমার অভিজ্ঞতার চেয়ে বরং বিশ্রী সময় সিরিজের মডেল তৈরি করে। তারা ধরেও নেয় আপনি আউটপুট পর্যবেক্ষণ করেছেন। এইচএমএমগুলি তা করে না তবে গোপনীয় অবস্থাটি আসলে কী তা আপনার কোনও নিয়ন্ত্রণ নেই। তবুও তারা যথাযথ সময় সিরিজের মডেল।