에너지 기반 모델
에너지 기반 모델(EBM)은 타당한 데이터에 낮은 값을 할당하고 타당하지 않은 데이터에 높은 값을 할당하는 스칼라 '에너지' 함수를 학습하여 쉽게 정규화하지 않고도 확률 분포를 정의합니다.
개요
This flexibility makes them a unifying lens for much of machine learning, from classifiers to generative models.
심층 분석
에너지 기반 모델은 볼츠만(Gibbs) 분포를 통해 확률을 정의합니다. p(x)는 exp(-E(x))에 비례합니다. 여기서 E(x)는 학습된 에너지 함수(종종 신경망)입니다. 훈련은 실제 데이터의 에너지를 낮추고 다른 모든 것의 에너지를 높입니다. 문제는 일반적으로 계산하기 어려운 모든 가능한 입력에 대한 exp(-E(x))의 합 또는 적분인 분할 함수 Z입니다. 따라서 EBM은 대비 발산, 점수 일치 또는 잡음 대비 추정과 같은 근사법으로 훈련되고 에너지 기울기를 따르는 Langevin 역학과 같은 MCMC 방법을 통해 샘플링됩니다. 고전적인 예로는 Hopfield 네트워크와 Restricted Boltzmann Machines가 있습니다. 현대 연구에서는 EBM을 확산 모델, GAN, 심지어 에너지 함수로 재해석된 일반 분류기에 연결합니다.
기술적 통찰력
모델은 확률 p(x) = exp(-E(x)) / Z를 할당합니다. Z(모든 입력에 대한 정규화 도구)는 다루기 어렵기 때문에 우도를 직접 계산하는 경우는 거의 없습니다. 대신, 점수 매칭과 Langevin 샘플링은 log p(x)의 기울기가 E(x)의 -gradient와 동일하므로 Z가 누락된다는 점을 이용합니다. 그런 다음 Langevin 역학은 에너지가 x 내리막으로 반복적으로 이동하고 노이즈를 추가하여 저에너지, 고확률 영역을 향해 걷는 방식으로 샘플을 생성합니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
에너지 기반 모델의 미래
EBM은 확산 모델, 점수 기반 생성 모델 및 판별 네트워크 간의 이론적 연결을 제공하기 때문에 새로운 관심을 받고 있습니다. 확산 모델이 학습하는 점수는 본질적으로 에너지 구배입니다. 유연하고 구성 가능한 제약 조건(여러 에너지를 결합하여 조향 생성)을 위한 에너지 기능을 사용하는 더 많은 하이브리드 시스템, MCMC보다 우수하고 빠른 샘플링, 그리고 '최저 에너지 구성 찾기'가 자연스럽게 최적화 및 제약 조건 만족을 표현하는 추론 및 계획 애플리케이션을 기대합니다.
실제 구현
저에너지 상태로 설정되어 잡음이 있거나 부분적인 입력에서 저장된 패턴을 불러오는 연관 메모리 역할을 하는 홉필드 네트워크
제한된 볼츠만 머신은 역사적으로 공동 필터링 및 심층 신념 네트워크 사전 훈련에 사용되었습니다.
교정, 견고성 및 분포 이탈 감지를 개선하기 위해 표준 분류기를 에너지 기반 모델(JEM 접근 방식)로 재해석
많은 상호 작용 변수(예: 포즈 추정 또는 레이아웃)에 대해 학습된 에너지를 최소화하여 솔루션을 찾는 구조화된 예측 및 제약 조건 만족
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
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
다음 가이드
점수 기반 생성 모델
자주 묻는 질문
What is Energy-Based Models?
에너지 기반 모델(EBM)은 타당한 데이터에 낮은 값을 할당하고 타당하지 않은 데이터에 높은 값을 할당하는 스칼라 '에너지' 함수를 학습하여 쉽게 정규화하지 않고도 확률 분포를 정의합니다. 이러한 유연성으로 인해 분류자부터 생성 모델까지 다양한 기계 학습을 위한 통합 렌즈가 됩니다.
에너지 기반 모델에서 에너지는 데이터 포인트의 확률과 어떤 관련이 있습니까?
볼츠만 분포를 통해 p(x)는 exp(-E(x))에 비례하므로 그럴듯한 데이터에는 낮은 에너지와 높은 확률이 할당됩니다.
에너지 기반 모델 훈련을 어렵게 만드는 것은 무엇입니까?
Z를 계산하려면 전체 입력 공간에 걸쳐 exp(-E(x))를 합산하거나 적분해야 하는데, 이는 일반적으로 불가능하므로 대략적인 훈련 방법이 필요합니다.
EBM에서 샘플을 추출하는 데 일반적으로 사용되는 샘플링 방법은 무엇입니까?
Langevin 역학은 에너지 구배를 따라 샘플을 반복적으로 내리막으로 이동시키면서 노이즈를 추가하여 저에너지 영역으로 수렴합니다.
점수 매칭과 같은 방법이 분할 함수 Z 계산을 피할 수 있는 이유는 무엇입니까?
Z는 x에 의존하지 않기 때문에 x에 대해 log p(x)를 미분하면 이를 취소하고 다루기 쉬운 에너지 기울기만 남깁니다.
다음 중 고전적인 에너지 기반 모델은 무엇입니까?
Hopfield 네트워크는 패턴을 저에너지 상태로 저장하고 에너지를 최소화하여 이를 호출하는 초기 에너지 기반 모델입니다.