Порождающие модели

Материал из Викиконспекты
Версия от 19:35, 16 февраля 2020; PaulKh (обсуждение | вклад) (Источники информации)
Перейти к: навигация, поиск
Порождающая модель пытается генерировать рукописные 0 и 1, для этого моделирует распределение по всему пространству данных. Напротив, дискриминативная модель старается разделить данные, без необходимости точно моделировать, как объекты размещаются по обе стороны от линии.

Порождающие модели (англ. generative model) — это класс моделей, которые обучают совместное распределение данных [math]p(x, y)[/math]; отсюда легко получить условное распределение [math]p(y | x)={p(x, y)\over p(x)}[/math], но совместное даёт больше информации и его можно использовать, например, для генерации новых фотографий животных, которые выглядят как настоящие животные.

С другой стороны, дискриминативная модель (англ. discriminative model)[1] обучает только условное распределение и может, например, отличить собаку от кошки.

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.

Вычисление распределения

Tax2.jpg

Оценка плотности распределения является основной задачей порождающих моделей.

Два основных подхода:

  • Явный: определить распределение [math]p_{model}[/math], описывающее объекты и генерировать данные из него
  • Неявный: получить некоторое распределение, оценить его близость с [math]p_{model}[/math] через дивергенцию Кульбака-Лейблера[2]

Глубокие порождающие модели на основе нейронных сетей

См. также

Примечания

Источники информации

(Ian Goodfellow, 2016)]