Порождающие модели — различия между версиями
PaulKh (обсуждение | вклад) (→См. также) |
PaulKh (обсуждение | вклад) (→Порождающие модели на основе нейронных сетей) |
||
| Строка 15: | Строка 15: | ||
Мы хотим научиться создавать правдоподобный объект относительно некоторой скрытой структуры исходных объектов. Давайте изучим распределение по ним, а затем просто будем сэмплировать новый объект из этого распределения. Значит эта задача относится к классу задач [[Общие понятия#Обучение без учителя (англ. Unsupervised learning)|обучения без учителя]]. | Мы хотим научиться создавать правдоподобный объект относительно некоторой скрытой структуры исходных объектов. Давайте изучим распределение по ним, а затем просто будем сэмплировать новый объект из этого распределения. Значит эта задача относится к классу задач [[Общие понятия#Обучение без учителя (англ. Unsupervised learning)|обучения без учителя]]. | ||
| − | == | + | == Глубокие порождающие модели на основе нейронных сетей == |
*[[Generative Adversarial Nets (GAN)|Порождающие состязательные сети]] | *[[Generative Adversarial Nets (GAN)|Порождающие состязательные сети]] | ||
*[[Автокодировщик]] | *[[Автокодировщик]] | ||
Версия 11:03, 10 февраля 2020
Порождающие модели (англ. generative model) — это класс моделей совместного распределения вероятностей для генерации новых объектов на основе исходных данных.
Порождающая модель может генерировать новые фотографии животных, которые выглядят как настоящие животные, в то время как дискриминативная модель (англ. discriminative model)[1] может отличить собаку от кошки.
Содержание
Классификация задачи
Можно использовать некоторые эмпирические правила для генерации новых объектов, не используя машинного обучения.
Требуется чтобы новые объекты были правдоподобными в своей области. Новое изображение человека должно быть правдоподобным, как изображение, но также человек на нём должен быть правдоподобным как человек.
Мы хотим научиться создавать правдоподобный объект относительно некоторой скрытой структуры исходных объектов. Давайте изучим распределение по ним, а затем просто будем сэмплировать новый объект из этого распределения. Значит эта задача относится к классу задач обучения без учителя.
