ความคล้ายคลึงกัน
อัลกอริทึมทั้งสองประเภทได้รับการพัฒนาขึ้นเพื่อตอบคำถามทั่วไปหนึ่งข้อในการใช้งานการเรียนรู้ของเครื่อง:
ตัวทำนายที่ได้รับ (ปัจจัย) - วิธีรวมการโต้ตอบระหว่างปัจจัยนี้เพื่อเพิ่มประสิทธิภาพได้อย่างไรx1,x2,…,xp
วิธีหนึ่งคือเพียงแนะนำผู้ทำนายใหม่: แต่นี่พิสูจน์ได้ว่าเป็นความคิดที่ไม่ดีเนื่องจากมีพารามิเตอร์จำนวนมากและการโต้ตอบประเภทที่เฉพาะเจาะจงมากxp+1=x1x2,xp+2=x1x3,…
ทั้งการสร้างแบบจำลองหลายระดับและอัลกอริทึมการเรียนรู้ลึกตอบคำถามนี้โดยการแนะนำรูปแบบการโต้ตอบที่ชาญฉลาดมากขึ้น และจากมุมมองนี้พวกเขาคล้ายกันมาก
ข้อแตกต่าง
ตอนนี้ให้ฉันพยายามทำความเข้าใจกับความแตกต่างของแนวคิดที่ยอดเยี่ยมระหว่างพวกเขาคืออะไร เพื่อที่จะให้คำอธิบายลองดูสมมติฐานที่เราทำในแต่ละโมเดล:
การสร้างแบบจำลองหลาย: 1ชั้นที่สะท้อนถึงโครงสร้างข้อมูลที่สามารถแสดงเป็นลำดับชั้นเครือข่ายแบบเบย์ เครือข่ายนี้ได้รับการแก้ไขและมักมาจากแอปพลิเคชันโดเมน1
การเรียนรู้อย่างลึก: 2ข้อมูลถูกสร้างขึ้นจากการปฏิสัมพันธ์ของหลาย ๆ ปัจจัย ไม่ทราบโครงสร้างของการโต้ตอบ แต่สามารถแสดงเป็นตัวประกอบแบบชั้น: การโต้ตอบระดับสูงนั้นได้มาจากการเปลี่ยนการเป็นตัวแทนระดับล่าง2
ความแตกต่างพื้นฐานมาจากวลี"โครงสร้างของการปฏิสัมพันธ์ไม่เป็นที่รู้จัก"ในการเรียนรู้ลึก เราสามารถถือว่านักบวชบางคนในรูปแบบของการโต้ตอบ แต่อัลกอริทึมยังกำหนดปฏิสัมพันธ์ทั้งหมดในระหว่างขั้นตอนการเรียนรู้ ในอีกทางหนึ่งเราต้องกำหนดโครงสร้างของการมีปฏิสัมพันธ์สำหรับการสร้างแบบจำลองหลายระดับ (เราเรียนรู้เพียงแค่เปลี่ยนพารามิเตอร์ของแบบจำลองในภายหลัง)
ตัวอย่าง
x1,x2,x3{x1}{x2,x3}
x1x2x1x3x2x3
ในการเรียนรู้อย่างลึกซึ้งตัวอย่างเช่นในเครื่อง Boltzmann แบบ จำกัด หลายระดับ ( RBM ) ที่มีสองเลเยอร์ที่ซ่อนอยู่และฟังก์ชั่นการเปิดใช้งานเชิงเส้นเราจะมีปฏิสัมพันธ์พหุนามที่เป็นไปได้ทั้งหมดที่มีระดับน้อยกว่าหรือเท่ากับสาม
ข้อดีและข้อเสียทั่วไป
การสร้างแบบจำลองหลายระดับ
(-) จำเป็นต้องกำหนดโครงสร้างของการโต้ตอบ
(+) ผลลัพธ์มักจะตีความง่ายกว่า
(+) สามารถใช้วิธีการทางสถิติ (ประเมินช่วงความมั่นใจตรวจสอบสมมติฐาน)
เรียนรู้อย่างลึกซึ้ง
(-) ต้องใช้ข้อมูลจำนวนมากในการฝึกอบรม (และเวลาสำหรับการฝึกอบรมเช่นกัน)
(-) ผลลัพธ์มักจะเป็นไปไม่ได้ที่จะตีความ (ให้เป็นกล่องดำ)
(+) ไม่จำเป็นต้องมีความรู้จากผู้เชี่ยวชาญ
(+) เมื่อได้รับการฝึกฝนเป็นอย่างดีมักจะมีประสิทธิภาพสูงกว่าวิธีการทั่วไปอื่น ๆ ส่วนใหญ่
หวังว่ามันจะช่วย!