ฉันกำลังดิ้นรนเพื่อให้การเชื่อมต่อทางคณิตศาสตร์ระหว่างเครือข่ายประสาทและแบบจำลองกราฟิก
ในแบบกราฟิกความคิดนั้นง่ายมาก: การแจกแจงความน่าจะเป็นเป็นตัวประกอบตามกลุ่มในกราฟโดยทั่วไปแล้วศักยภาพนั้นเป็นของตระกูลเอ็กซ์โพเนนเชียล
มีเหตุผลที่เท่าเทียมกันสำหรับโครงข่ายประสาทเทียมหรือไม่? เราสามารถแสดงการแจกแจงความน่าจะเป็นเหนือหน่วย (ตัวแปร) ในเครื่อง จำกัด Boltzmann หรือซีเอ็นเอ็นเป็นฟังก์ชันของพลังงานหรือผลิตภัณฑ์พลังงานระหว่างหน่วยหรือไม่
นอกจากนี้การแจกแจงความน่าจะเป็นแบบจำลองโดย RBM หรือเครือข่ายความเชื่อลึก (เช่นกับ CNNs) ของตระกูลเอ็กซ์โปเนนเชียลหรือไม่?
ผมหวังที่จะพบข้อความที่ formalizes การเชื่อมต่อระหว่างชนิดปัจจุบันนี้เครือข่ายประสาทและสถิติในลักษณะเดียวกับที่จอร์แดนและเวนไรท์ได้สำหรับรุ่นกราฟิกกับพวกเขารุ่นกราฟิกครอบครัวเอกและแปรผันอนุมาน ตัวชี้ใด ๆ จะดีมาก
"using deep nets as factors in an MRF"
) แต่เพิ่มเติมเกี่ยวกับวิธีดูสุทธิลึก ๆ เป็นกราฟปัจจัยความน่าจะเป็น เมื่อ Yann LeCun พูดว่า"of course deep Boltzmann Machines are a form of probabilistic factor graph themselves"
ฉันสนใจที่จะเห็นการเชื่อมต่อทางคณิตศาสตร์
https://distill.pub/2017/feature-visualization/
( เครือข่ายประสาทสร้างความเข้าใจในรูปของพวกเขาอย่างไร ) ในรูปที่ซับซ้อนมีออบเจ็กต์ส่วนประกอบที่แสดงโดยโหนดเลเยอร์ที่ซ่อนอยู่ ตุ้มน้ำหนักสามารถ 'ปรับเปลี่ยน' โทโพโลยี 'ในแบบที่ไม่ต่อเนื่อง แม้ว่าฉันจะไม่เห็นมัน แต่วิธีการบางอย่างอาจรวมถึงปัจจัยการหดตัวเพื่อลบขอบและดังนั้นจึงเปลี่ยนโทโพโลยีดั้งเดิม