찾다

가변 요인 추론

변동 추론은 복잡한 확률 모델의 사후 분포를 근사화하는 데 사용되는 확률 추론 방법입니다. 원래 문제를 최적화 문제로 변환하여 계산 복잡성을 줄입니다. 변분 추론은 기계 학습, 통계, 정보 이론 등의 분야에서 널리 사용됩니다.

왜 변주라고 부르나요?

변이(variation)라는 단어는 함수의 극값을 푸는 방법인 함수이론의 변이법에서 유래되었습니다. 변분 추론에서는 거리 측정법을 최소화하여 대략적인 사후 분포를 찾는데 이를 변분 거리라고 하므로 이 추론 방법을 변분 추론이라고 합니다.

변분 추론의 기본 아이디어는 근사 분포를 찾아 실제 사후 분포를 최대한 가깝게 근사화하는 것입니다. 이를 위해 매개변수화된 분포군 q(z;lambda)를 도입합니다. 여기서 z는 숨겨진 변수이고 람다는 얻어지는 매개변수입니다. 우리의 목표는 실제 사후 분포 p(z|x)와의 차이를 최소화하는 분포 q(z;lambda)를 찾는 것입니다. 분포 q(z;lambda)와 p(z|x) 사이의 거리를 측정하기 위해 일반적으로 KL 발산을 사용하여 측정되는 변동 거리를 사용합니다. KL 발산은 두 확률 분포 간의 차이를 측정한 것입니다. 구체적으로 KL 발산은 다음 공식으로 계산할 수 있습니다. KL(q(z;lambda) || p(z|x)) = int q(z;lambda) log frac{q(z;lambda)}{p(z|x)} dz KL 발산을 최소화함으로써 분포 q(z; 람다)와 실제 사후 분포 p(z|x) 사이의 차이를 최소화하는 매개변수 람다를 찾을 수 있습니다. 이러한 방식으로 후속 추론 및 예측 작업에 대한 대략적인 사후 분포를 얻을 수 있습니다. 요약하면, 변분추론의 기본 아이디어는 매개변수화된 분포군을 찾아 실제 사후 분포를 근사화하고, KL 발산을 사용하여 두 분포 간의 차이를 측정하는 것입니다. KL 발산을 최소화함으로써 후속 추론 작업에 대한 대략적인 사후 분포를 얻을 수 있습니다.

D_{KL}(q(z;lambda)||p(z|x))=int q(z;lambda)logfrac{q(z;lambda)}{p(z|x)}dz

q(z;lambda)가 p(z|x)와 동일한 경우에만 KL 발산은 음수가 아닙니다. KL 발산은 최소값 0을 취합니다. 따라서 우리의 목표는 KL 발산을 최소화하는 것으로 변환될 수 있습니다. 즉,

lambda^*=argmin_{lambda}D_{KL}(q(z;lambda)||p(z|x))

그러나 KL Divergence는 다루기 어렵고 복잡한 함수이므로 직접적으로 최소화할 수는 없습니다. 따라서 이 문제를 해결하려면 몇 가지 대략적인 방법을 사용해야 합니다.

변분 추론에서는 KL 발산을 근사화하기 위해 변분 하한이라는 기술을 사용합니다. 구체적으로, 먼저 KL 분기를 다음과 같이 분해합니다.

D_{KL}(q(z;lambda)||p(z|x))=E_{q(z;lambda)}[log q( z; lambda)-log p(z,x)]

그런 다음 새로운 분포 q(z|x)를 도입하고 Jensen 부등식을 사용하여 하한을 얻습니다.

log p( x)ge E_ {q(z|x)}[log p(x,z)-log q(z|x)]

여기서 log p(x)는 데이터 p(x, z)의 한계 확률입니다. 는 결합 확률 분포이고, q(z|x)는 대략적인 사후 분포입니다.

이 하한을 변형 하한 또는 ELBO(Evidence Lower Bound)라고 합니다. 근사 사후 분포의 매개변수 람다는 ELBO를 최대화하여 최적화할 수 있습니다.

lambda^*=argmax_{lambda}E_{ q (z|x;lambda)}[log p(x,z)-log q(z|x;lambda)]

이 최적화 문제는 경사 하강법과 같은 최적화 알고리즘으로 해결할 수 있습니다. 마지막으로, 우리가 얻은 근사 사후 분포 q(z|x)는 예측, 모델 선택 등과 같은 다양한 기대치를 계산하는 데 사용될 수 있습니다.

간단히 말하면, 변분 추론은 KL 발산을 최소화하는 기반의 확률 추론 방법으로, 변분 하한 기법을 도입하여 최적화 알고리즘을 사용하여 복잡한 확률 모델의 사후 분포를 근사화합니다.

위 내용은 가변 요인 추론의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

성명
이 기사는 网易伏羲에서 복제됩니다. 침해가 있는 경우 admin@php.cn으로 문의하시기 바랍니다. 삭제
解读CRISP-ML(Q):机器学习生命周期流程解读CRISP-ML(Q):机器学习生命周期流程Apr 08, 2023 pm 01:21 PM

译者 | 布加迪审校 | 孙淑娟目前,没有用于构建和管理机器学习(ML)应用程序的标准实践。机器学习项目组织得不好,缺乏可重复性,而且从长远来看容易彻底失败。因此,我们需要一套流程来帮助自己在整个机器学习生命周期中保持质量、可持续性、稳健性和成本管理。图1. 机器学习开发生命周期流程使用质量保证方法开发机器学习应用程序的跨行业标准流程(CRISP-ML(Q))是CRISP-DM的升级版,以确保机器学习产品的质量。CRISP-ML(Q)有六个单独的阶段:1. 业务和数据理解2. 数据准备3. 模型

2023年机器学习的十大概念和技术2023年机器学习的十大概念和技术Apr 04, 2023 pm 12:30 PM

机器学习是一个不断发展的学科,一直在创造新的想法和技术。本文罗列了2023年机器学习的十大概念和技术。 本文罗列了2023年机器学习的十大概念和技术。2023年机器学习的十大概念和技术是一个教计算机从数据中学习的过程,无需明确的编程。机器学习是一个不断发展的学科,一直在创造新的想法和技术。为了保持领先,数据科学家应该关注其中一些网站,以跟上最新的发展。这将有助于了解机器学习中的技术如何在实践中使用,并为自己的业务或工作领域中的可能应用提供想法。2023年机器学习的十大概念和技术:1. 深度神经网

基于因果森林算法的决策定位应用基于因果森林算法的决策定位应用Apr 08, 2023 am 11:21 AM

译者 | 朱先忠​审校 | 孙淑娟​在我之前的​​博客​​中,我们已经了解了如何使用因果树来评估政策的异质处理效应。如果你还没有阅读过,我建议你在阅读本文前先读一遍,因为我们在本文中认为你已经了解了此文中的部分与本文相关的内容。为什么是异质处理效应(HTE:heterogenous treatment effects)呢?首先,对异质处理效应的估计允许我们根据它们的预期结果(疾病、公司收入、客户满意度等)选择提供处理(药物、广告、产品等)的用户(患者、用户、客户等)。换句话说,估计HTE有助于我

使用PyTorch进行小样本学习的图像分类使用PyTorch进行小样本学习的图像分类Apr 09, 2023 am 10:51 AM

近年来,基于深度学习的模型在目标检测和图像识别等任务中表现出色。像ImageNet这样具有挑战性的图像分类数据集,包含1000种不同的对象分类,现在一些模型已经超过了人类水平上。但是这些模型依赖于监督训练流程,标记训练数据的可用性对它们有重大影响,并且模型能够检测到的类别也仅限于它们接受训练的类。由于在训练过程中没有足够的标记图像用于所有类,这些模型在现实环境中可能不太有用。并且我们希望的模型能够识别它在训练期间没有见到过的类,因为几乎不可能在所有潜在对象的图像上进行训练。我们将从几个样本中学习

LazyPredict:为你选择最佳ML模型!LazyPredict:为你选择最佳ML模型!Apr 06, 2023 pm 08:45 PM

本文讨论使用LazyPredict来创建简单的ML模型。LazyPredict创建机器学习模型的特点是不需要大量的代码,同时在不修改参数的情况下进行多模型拟合,从而在众多模型中选出性能最佳的一个。 摘要本文讨论使用LazyPredict来创建简单的ML模型。LazyPredict创建机器学习模型的特点是不需要大量的代码,同时在不修改参数的情况下进行多模型拟合,从而在众多模型中选出性能最佳的一个。​本文包括的内容如下:​简介​LazyPredict模块的安装​在分类模型中实施LazyPredict

Mango:基于Python环境的贝叶斯优化新方法Mango:基于Python环境的贝叶斯优化新方法Apr 08, 2023 pm 12:44 PM

译者 | 朱先忠审校 | 孙淑娟引言模型超参数(或模型设置)的优化可能是训练机器学习算法中最重要的一步,因为它可以找到最小化模型损失函数的最佳参数。这一步对于构建不易过拟合的泛化模型也是必不可少的。优化模型超参数的最著名技术是穷举网格搜索和随机网格搜索。在第一种方法中,搜索空间被定义为跨越每个模型超参数的域的网格。通过在网格的每个点上训练模型来获得最优超参数。尽管网格搜索非常容易实现,但它在计算上变得昂贵,尤其是当要优化的变量数量很大时。另一方面,随机网格搜索是一种更快的优化方法,可以提供更好的

人工智能自动获取知识和技能,实现自我完善的过程是什么人工智能自动获取知识和技能,实现自我完善的过程是什么Aug 24, 2022 am 11:57 AM

实现自我完善的过程是“机器学习”。机器学习是人工智能核心,是使计算机具有智能的根本途径;它使计算机能模拟人的学习行为,自动地通过学习来获取知识和技能,不断改善性能,实现自我完善。机器学习主要研究三方面问题:1、学习机理,人类获取知识、技能和抽象概念的天赋能力;2、学习方法,对生物学习机理进行简化的基础上,用计算的方法进行再现;3、学习系统,能够在一定程度上实现机器学习的系统。

超参数优化比较之网格搜索、随机搜索和贝叶斯优化超参数优化比较之网格搜索、随机搜索和贝叶斯优化Apr 04, 2023 pm 12:05 PM

本文将详细介绍用来提高机器学习效果的最常见的超参数优化方法。 译者 | 朱先忠​审校 | 孙淑娟​简介​通常,在尝试改进机器学习模型时,人们首先想到的解决方案是添加更多的训练数据。额外的数据通常是有帮助(在某些情况下除外)的,但生成高质量的数据可能非常昂贵。通过使用现有数据获得最佳模型性能,超参数优化可以节省我们的时间和资源。​顾名思义,超参数优化是为机器学习模型确定最佳超参数组合以满足优化函数(即,给定研究中的数据集,最大化模型的性能)的过程。换句话说,每个模型都会提供多个有关选项的调整“按钮

See all articles

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

뜨거운 도구

DVWA

DVWA

DVWA(Damn Vulnerable Web App)는 매우 취약한 PHP/MySQL 웹 애플리케이션입니다. 주요 목표는 보안 전문가가 법적 환경에서 자신의 기술과 도구를 테스트하고, 웹 개발자가 웹 응용 프로그램 보안 프로세스를 더 잘 이해할 수 있도록 돕고, 교사/학생이 교실 환경 웹 응용 프로그램에서 가르치고 배울 수 있도록 돕는 것입니다. 보안. DVWA의 목표는 다양한 난이도의 간단하고 간단한 인터페이스를 통해 가장 일반적인 웹 취약점 중 일부를 연습하는 것입니다. 이 소프트웨어는

PhpStorm 맥 버전

PhpStorm 맥 버전

최신(2018.2.1) 전문 PHP 통합 개발 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

MinGW - Windows용 미니멀리스트 GNU

MinGW - Windows용 미니멀리스트 GNU

이 프로젝트는 osdn.net/projects/mingw로 마이그레이션되는 중입니다. 계속해서 그곳에서 우리를 팔로우할 수 있습니다. MinGW: GCC(GNU Compiler Collection)의 기본 Windows 포트로, 기본 Windows 애플리케이션을 구축하기 위한 무료 배포 가능 가져오기 라이브러리 및 헤더 파일로 C99 기능을 지원하는 MSVC 런타임에 대한 확장이 포함되어 있습니다. 모든 MinGW 소프트웨어는 64비트 Windows 플랫폼에서 실행될 수 있습니다.

ZendStudio 13.5.1 맥

ZendStudio 13.5.1 맥

강력한 PHP 통합 개발 환경