Mô hình dựa trên năng lượng
Các mô hình dựa trên năng lượng (EBM) tìm hiểu hàm 'năng lượng' vô hướng gán giá trị thấp cho dữ liệu hợp lý và giá trị cao cho dữ liệu không hợp lý, xác định phân bố xác suất mà không buộc nó phải dễ dàng chuẩn hóa.
Tổng quan
This flexibility makes them a unifying lens for much of machine learning, from classifiers to generative models.
Lặn sâu
Một mô hình dựa trên năng lượng xác định xác suất thông qua phân bố Boltzmann (Gibbs): p(x) tỷ lệ với exp(-E(x)), trong đó E(x) là hàm năng lượng đã học, thường là mạng nơ-ron. Quá trình đào tạo làm giảm năng lượng của dữ liệu thực và tăng năng lượng của mọi thứ khác. Phần bắt được là hàm phân vùng Z, tổng hoặc tích phân của exp(-E(x)) trên tất cả các đầu vào có thể có, thường khó tính toán. Vì vậy, các EBM được huấn luyện với các phép tính gần đúng: phân kỳ tương phản, khớp điểm hoặc ước lượng tương phản nhiễu và được lấy mẫu thông qua các phương pháp MCMC như động lực học Langevin tuân theo gradient năng lượng. Các ví dụ cổ điển bao gồm mạng Hopfield và Máy Boltzmann bị hạn chế; công việc hiện đại kết nối EBM với các mô hình khuếch tán, GAN và thậm chí cả các bộ phân loại thông thường được diễn giải lại dưới dạng các hàm năng lượng.
Hiểu biết kỹ thuật
Mô hình gán xác suất p(x) = exp(-E(x)) / Z. Bởi vì Z (bộ chuẩn hóa trên tất cả các đầu vào) khó điều chỉnh nên bạn hiếm khi tính toán khả năng một cách trực tiếp. Thay vào đó, việc so khớp điểm và lấy mẫu Langevin khai thác rằng gradient của log p(x) bằng -gradient của E(x), do đó Z bị loại bỏ. Sau đó, động lực học Langevin tạo ra các mẫu bằng cách liên tục thúc x xuống dốc năng lượng và thêm nhiễu, đi về phía các vùng năng lượng thấp, xác suất cao.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của các mô hình dựa trên năng lượng
EBM đang nhận được sự quan tâm mới vì chúng cung cấp cầu nối lý thuyết giữa các mô hình khuếch tán, mô hình tổng hợp dựa trên điểm số và mạng lưới phân biệt đối xử, điểm số mà mô hình khuếch tán học được về cơ bản là một gradient năng lượng. Mong đợi nhiều hệ thống lai hơn sử dụng các hàm năng lượng cho các hạn chế linh hoạt, có thể tổng hợp (kết hợp nhiều năng lượng để điều khiển phát điện), lấy mẫu tốt hơn và nhanh hơn MCMC cũng như các ứng dụng trong lập luận và lập kế hoạch trong đó 'tìm cấu hình năng lượng thấp nhất' thể hiện sự tối ưu hóa và sự hài lòng về hạn chế một cách tự nhiên.
Triển khai trong thế giới thực
Mạng Hopfield hoạt động như bộ nhớ liên kết gợi lại một mẫu được lưu trữ từ đầu vào nhiễu hoặc một phần bằng cách chuyển sang trạng thái năng lượng thấp
Máy Boltzmann bị hạn chế trước đây được sử dụng để lọc cộng tác và đào tạo trước các mạng lưới niềm tin sâu sắc
Diễn giải lại bộ phân loại tiêu chuẩn dưới dạng mô hình dựa trên năng lượng (phương pháp JEM) để cải thiện hiệu chuẩn, độ tin cậy và phát hiện ngoài phân phối
Dự đoán có cấu trúc và sự hài lòng về ràng buộc, trong đó các giải pháp được tìm thấy bằng cách giảm thiểu năng lượng đã học qua nhiều biến tương tác (ví dụ: ước tính tư thế hoặc bố cục)
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Mô hình sáng tạo dựa trên điểm số
Câu hỏi thường gặp
What is Energy-Based Models?
Các mô hình dựa trên năng lượng (EBM) tìm hiểu hàm 'năng lượng' vô hướng gán giá trị thấp cho dữ liệu hợp lý và giá trị cao cho dữ liệu không hợp lý, xác định phân bố xác suất mà không buộc nó phải dễ dàng chuẩn hóa. Tính linh hoạt này khiến chúng trở thành lăng kính thống nhất cho phần lớn hoạt động học máy, từ bộ phân loại đến mô hình tổng quát.
Trong mô hình dựa trên năng lượng, năng lượng liên quan như thế nào đến xác suất của một điểm dữ liệu?
Thông qua phân phối Boltzmann, p(x) tỷ lệ với exp(-E(x)), do đó dữ liệu hợp lý được gán năng lượng thấp và xác suất cao.
Điều gì khiến việc đào tạo các mô hình dựa trên năng lượng trở nên khó khăn?
Việc tính toán Z yêu cầu tính tổng hoặc tích phân exp(-E(x)) trên toàn bộ không gian đầu vào, điều này thường không khả thi, buộc phải áp dụng các phương pháp huấn luyện gần đúng.
Phương pháp lấy mẫu nào thường được sử dụng để lấy mẫu từ EBM?
Động lực học Langevin liên tục di chuyển các mẫu xuống dốc dọc theo gradient năng lượng đồng thời tăng thêm nhiễu, hội tụ về các vùng năng lượng thấp.
Tại sao các phương pháp như so khớp điểm có thể tránh tính toán hàm phân vùng Z?
Vì Z không phụ thuộc vào x, nên vi phân log p(x) theo x sẽ hủy bỏ nó, chỉ để lại gradient năng lượng, có thể điều chỉnh được.
Mô hình nào sau đây là mô hình dựa trên năng lượng cổ điển?
Mạng Hopfield là một mô hình dựa trên năng lượng ban đầu lưu trữ các mẫu ở trạng thái năng lượng thấp và gọi lại chúng bằng cách giảm thiểu năng lượng.