Енергийно базирани модели
Базираните на енергия модели (EBM) изучават скаларна „енергийна“ функция, която присвоява ниски стойности на правдоподобни данни и високи стойности на неправдоподобни данни, като определя вероятностно разпределение, без да го налага лесно да се нормализира.
Преглед
This flexibility makes them a unifying lens for much of machine learning, from classifiers to generative models.
Дълбоко гмуркане
Базиран на енергия модел дефинира вероятност чрез разпределението на Болцман (Гибс): p(x) е пропорционално на exp(-E(x)), където E(x) е научена енергийна функция, често невронна мрежа. Обучението намалява енергията на реалните данни и повишава енергията на всичко останало. Уловката е разделителната функция Z, сборът или интегралът на exp(-E(x)) върху всички възможни входове, която обикновено не може да се изчисли. Така че EBM се обучават с приближения: контрастна дивергенция, съвпадение на резултата или шумово-контрастна оценка и се вземат проби чрез MCMC методи като динамиката на Ланжевен, които следват енергийния градиент. Класически примери включват мрежи на Хопфийлд и ограничени машини на Болцман; съвременната работа свързва EBM с дифузионни модели, GAN и дори обикновени класификатори, интерпретирани отново като енергийни функции.
Техническа информация
Моделът задава вероятност p(x) = exp(-E(x)) / Z. Тъй като Z (нормализаторът за всички входове) е трудноразрешим, рядко изчислявате вероятността директно. Вместо това съпоставянето на резултата и вземането на проби от Langevin използват, че градиентът на log p(x) е равен на -градиент на E(x), така че Z отпада. След това динамиката на Langevin генерира проби чрез многократно побутване x надолу по енергия и добавяне на шум, вървейки към нискоенергийни региони с висока вероятност.
Стратегическо въздействие
Cost and budget
Архитектурните решения стимулират производителността и оперативните разходи в продължение на години.
Clearer decisions
Техническото образование помага на екипите да изберат правилния стек, а не само най-новия.
Quality control
По-добрият инженерен избор намалява инцидентите, свързани с надеждността в производството.
Бъдещето на моделите, базирани на енергия
EBM се радват на подновен интерес, защото осигуряват теоретичен мост между дифузионните модели, генеративните модели, базирани на резултати, и дискриминативните мрежи, резултатът, който моделът на дифузия научава, е по същество енергиен градиент. Очаквайте повече хибридни системи, които използват енергийни функции за гъвкави, композируеми ограничения (комбиниране на множество енергии за управление на генерирането), по-добро и по-бързо вземане на проби от MCMC и приложения в разсъжденията и планирането, където „намирането на конфигурацията с най-ниска енергия“ естествено изразява оптимизация и удовлетворение от ограниченията.
Внедряване в реалния свят
Мрежи на Хопфийлд, действащи като асоциативна памет, които извикват съхранен модел от шумен или частичен вход, като се установяват в състояние с ниска енергия
Ограничени машини на Болцман, използвани в миналото за съвместно филтриране и предварително обучение на мрежи с дълбоки вярвания
Повторно тълкуване на стандартен класификатор като базиран на енергия модел (подходът JEM) за подобряване на калибрирането, устойчивостта и откриването на извън разпределение
Структурирано предвиждане и удовлетворяване на ограниченията, където решенията се намират чрез минимизиране на научената енергия върху много взаимодействащи променливи (напр. оценка на поза или оформление)
Рискове и предпазни огради
Оптимизирането на един бенчмарк може да скрие по-широки системни слабости.
Разходите за инфраструктура и поддръжка често се подценяват.
Пропуските в сигурността и видимостта могат да нарастват, когато системите стават по-сложни.
Пътна карта за изпълнение
Определете целите за латентност, качество и разходи преди внедряването.
Бенчмарк при реалистични условия на натоварване и данни.
Мониторинг на инструмента за грешки, отклонение и въздействие върху потребителя.
Подгответе пътеките за връщане назад и реакция на инцидент преди мащабиране.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Energy-Based Models quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Генеративни модели, базирани на резултати
Frequently asked questions
What is Energy-Based Models?
Базираните на енергия модели (EBM) изучават скаларна „енергийна“ функция, която присвоява ниски стойности на правдоподобни данни и високи стойности на неправдоподобни данни, като определя вероятностно разпределение, без да го налага лесно да се нормализира. Тази гъвкавост ги прави обединяваща леща за голяма част от машинното обучение, от класификатори до генеративни модели.
В модел, базиран на енергия, как енергията е свързана с вероятността за точка от данни?
Чрез разпределението на Болцман p(x) е пропорционално на exp(-E(x)), така че на правдоподобните данни се приписва ниска енергия и висока вероятност.
Какво затруднява обучението на базирани на енергия модели?
Изчисляването на Z изисква сумиране или интегриране на exp(-E(x)) върху цялото входно пространство, което обикновено е неосъществимо, налагайки приблизителни методи за обучение.
Кой метод за вземане на проби обикновено се използва за вземане на проби от EBM?
Динамиката на Langevin итеративно премества пробите надолу по енергийния градиент, като същевременно добавя шум, сближавайки се към региони с ниска енергия.
Защо методи като съвпадение на резултати могат да избегнат изчисляването на функцията за разделяне Z?
Тъй като Z не зависи от x, диференцирането на log p(x) по отношение на x го анулира, оставяйки само енергийния градиент, който е проследим.
Кой от тях е класически енергиен модел?
Мрежите на Hopfield са ранен енергиен модел, който съхранява модели като нискоенергийни състояния и ги извиква чрез минимизиране на енергията.