پاورپوینت مجموع محصولات شبکه ارتباطی

توضیحات

عنوان: مجموع محصولات شبکه ارتباطی(Relational Sum Product Network)

• مقدمه
• مدلهای گرافیکی احتمالاتی
• دسته بندی مدلهای احتمالاتی
• شبکه SPN
• تعریف
• نمایش گرافیکی
• معایب و راهکار
• شبکه SPN ارتباطی (RSPN)
• تعریف
• ساختار کلی
• مثال
• نمایش گرافیکی
• مزایا
• نحوه یادگیری
• نتایج مقاله
• مراجع

مقدمه

مدلهای گرافیکی احتمالاتی

برای بازنمایی مسائل و برقراری روابط بین متغیرها از مدلهای گرافیکی میتوان استفاده کرد. تعدادی از این مدلها به صورت سطحی اقدام به بازنمایی این مسائل میکنند.

مزیت مدلهای گرافیکی

بازنمایی فشرده احتمالات: بدون نیاز به ذخیره اطلاعات زیاد، میتوان یک مسئله را بازنمایی کرد

معایب

استنتاج غیرعملی: به دلیل اینکه متغیرهای زیادی در یک مسئله وجود دارد، پیچیدگی استنتاج از این متغیرهای زیاد به صورت نمایی زیاد خواهد بود.

یادگیری سخت: باز هم به دلیل متغیرهای زیاد و محاسبات برای یادگیری وزن های مدلهای نشان داده شده در پایین، یادگیری این مدلها سخت خواهد بود.

یادگیری عمیق

• با معرفی مدلهای یادگیری عمیق، دقت این مدلها نسبت به مدلهای گرافیکی سنتی، بالاتر رفته ولی همچنان چالشهای یادگیری و استنتاج وجود دارد.
• ساخت شبکه های عمیق : با روی هم گذاشتن تعداد زیادی لایه بدست می آید. بین این لایه ها اتصالاتی وجود دارد که دارای وزن هستند و بیانگر ارتباط بین واحدهای هر لایه است.

مزایا:

قدرت بیشتر نسبت به مدلهای قبلی که سطحی بودند

معایب :

استنتاج سخت و غیرقابل فهم از روی مدل (هر چند نسبت به مدلهای قبلی سریعتر استنتاج انجام میدهد)

• پارامترهای زیاد شبکه

دسته بندی مدلهای احتمالاتی

• مدلهای احتمالاتی گرافیکی با این که قابلیت فشرده سازی بازنمایی مسله را دارند ولی استنتاج های تقریبی انجام میدهند و برای یادگیری نیازمند استنتاجهای تقریبی هستند. برای مسائل دنیای واقعی یا باید از احتمالات تقریبی استفاده کرد یا اگر پیدا کردن احتمالات قطعی لازم است، باید از مدلهای عملی (tractable) استفاده کرد که تعداد این مدلها کم است و ممکن است برای تمامی مسائل دنیای واقعی، قابل استفاده نباشد.
• برای مسائل قطعی، از مدلهایی به نام عرض درختی پایین(Low treewidth ) استفاده میشود. این درختها به صورت کم عمق هستند.
• یک قسمت بسیار محدودی از مدلهای احتمالاتی گرافیکی شامل مسائل عملی (tractable) هستند به این معنی که با افزایش متغیرها و وابستگی بین آنها، مدلها، توانایی بازنمایی مسئله را بدون هیچ دردسری دارند. ولی این مدلها بسیار محدود هستند و در بسیاری از مسائل قابلیت استفاده ندارند. شبکه های SPN زمینه ای جدا از PGM هستند که در مواردی با هم اشتراک دارند. این موارد شامل مسائل عملی هستند. منظور مسائلی هستند که بتوان مقادیرنهایی را به صورت قطعی بدست آورد
• این مدلها، مبتنی بر ایده شبکه عصبی و لایه لایه بودن ساختار آنها بنا شده است
• از مزایای این مدلها استنتاج در زمان خطی است، زیرا کافی است که داده آزمایشی به شبکه داده شود و شبکه به صورت مستقیم از لایه اول به سمت لایه آخر حرکت کند و نوع دسته نمونه آزمایشی را تعیین کند
• SPNها، مدلهایی هستند که تضمین استنتاج دقیق بهینه را دارند و از نوع عرض درختی بالا هستند. زیرا ساختار آنها عمیق است.
• با استفاده از SPNها میتوان توزیع های بسیار بیشتر را نسبت به PGMها مدل کرد. زیرا شبکه های عصبی به عنوان یک مدل برای تخمین پارامتر توابع پیچیده (با هر پیچیدگی) شناخته میشوند
• یکی از مزایای روش های SPN استفاده از معادلاتی است که قبلا محاسبه شده است. به این معنی که اگر قبلا ترکیب دو متغیر محاسبه شده است، دیگر نیازی به محاسبه ترکیب این دو متغیر در آینده نخواهد بود و فقط از مقدار محاسبه شده استفاده میشود

توجه:

• برای دانلود فایل پاورپوینت لطفا اقدام به خرید فرمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.