আমি নিউরাল নেটওয়ার্ক এবং গ্রাফিকাল মডেলের মধ্যে গাণিতিক সংযোগ তৈরির জন্য সংগ্রাম করছি।
গ্রাফিক্যাল মডেলগুলিতে ধারণাটি সহজ: সম্ভাব্যতাগুলি সাধারণত গ্রহীতা পরিবারের হয়ে গ্রাফের চক্র অনুসারে সম্ভাব্যতা বন্টনকে কারণ হিসাবে চিহ্নিত করে।
নিউরাল নেটওয়ার্কের জন্য কি সমতুল্য যুক্তি আছে? সীমাবদ্ধ বল্টজম্যান মেশিনে কোনও ইউনিট (ভেরিয়েবল) বা একটি সিএনএন তাদের শক্তির কার্যকারিতা হিসাবে বা ইউনিটগুলির মধ্যে শক্তিগুলির পণ্য হিসাবে সম্ভাব্য বন্টনকে কী প্রকাশ করতে পারে?
এছাড়াও, সম্ভাব্যতা বিতরণটি কোনও আরবিএম বা ডিপ বিশ্বাস নেটওয়ার্ক (উদাহরণস্বরূপ সিএনএনএস সহ) দ্বারা চিহ্নিত করা হয়?
আমি একটি পাঠ্য একই ভাবে জর্দান ও Wainwright, তাদের সঙ্গে গ্রাফিকাল মডেলের জন্য করেনি মধ্যে স্নায়ুর নেটওয়ার্ক ও পরিসংখ্যান এই আধুনিক ধরনের মধ্যে সংযোগ formalizes এটি আশা করছি গ্রাফিকাল মডেল, সূচকীয় পরিবার এবং ভেরিয়েশনাল ইনফিরেনস । যে কোনও পয়েন্টার দুর্দান্ত হবে।
"using deep nets as factors in an MRF"
) যেমনটি হয় না , তবে কীভাবে একটি সম্ভাব্য ফ্যাক্টর গ্রাফ হিসাবে গভীর জালের দিকে নজর দেওয়া যায় সে সম্পর্কে আরও অনেক কিছু। ইয়ান লেকুন যখন বলেন "of course deep Boltzmann Machines are a form of probabilistic factor graph themselves"
, আমি গাণিতিকভাবে এই সংযোগটি দেখতে আগ্রহী।
https://distill.pub/2017/feature-visualization/
( কীভাবে নিউরাল নেটওয়ার্কগুলি চিত্রগুলি সম্পর্কে তাদের বোঝাপড়া তৈরি করে ), যাতে কোনও জটিল চিত্রটিতে উপাদানগুলি লুকানো স্তর নোড দ্বারা প্রতিনিধিত্ব করে। ওজনগুলি অ-বিচ্ছিন্ন ফ্যাশনে 'টপোলজি' পরিবর্তন করতে পারে। যদিও আমি এটি দেখিনি, কিছু পদ্ধতির মধ্যে প্রান্তগুলি সরানোর জন্য সঙ্কুচিত কারণগুলি অন্তর্ভুক্ত থাকতে পারে এবং সেজন্য মূল টপোলজি পরিবর্তন করতে পারে