概述
基于能量的模型 (EBM) 学习标量“能量”函数，该函数将低值分配给合理的数据，将高值分配给不合理的数据，从而定义概率分布，而不强制其易于标准化。这种灵活性使它们成为从分类器到生成模型的大部分机器学习的统一镜头。
基于能量的模型是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
基于能量的模型通过玻尔兹曼（吉布斯）分布定义概率：p(x) 与 exp(-E(x)) 成正比，其中 E(x) 是学习的能量函数，通常是神经网络。训练会降低真实数据的能量，并提高其他一切的能量。问题在于配分函数 Z，即 exp(-E(x)) 在所有可能输入上的总和或积分，这通常很难计算。因此，EBM 使用近似值进行训练：对比散度、分数匹配或噪声对比估计，并通过遵循能量梯度的 MCMC 方法（如 Langevin 动力学）进行采样。经典例子包括 Hopfield 网络和受限玻尔兹曼机；现代工作将 EBM 与扩散模型、GAN，甚至重新解释为能量函数的普通分类器联系起来。
技术洞察
该模型分配概率 p(x) = exp(-E(x)) / Z。由于 Z（所有输入的归一化器）很棘手，因此您很少直接计算可能性。相反，分数匹配和朗之万采样利用了 log p(x) 的梯度等于 E(x) 的梯度，因此 Z 被淘汰。然后，朗之万动力学通过反复推动 x 能量下降并添加噪声来生成样本，走向低能量、高概率区域。
掌握基于能量的模型
基于能量的模型 (EBM) 学习标量“能量”函数，该函数将低值分配给合理的数据，将高值分配给不合理的数据，从而定义概率分布，而不强制其易于标准化。这种灵活性使它们成为从分类器到生成模型的大部分机器学习的统一镜头。基于能量的模型是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将基于能源的模型视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用基于能源的模型的强大团队可以根据可靠性和成本来优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
Hopfield 网络充当联想存储器，通过进入低能量状态从噪声或部分输入中调用存储的模式
受限玻尔兹曼机历史上用于协作过滤和预训练深度信念网络
将标准分类器重新解释为基于能量的模型（JEM 方法），以改进校准、稳健性和分布外检测
结构化预测和约束满足，通过最小化许多交互变量（例如姿态估计或布局）的学习能量来找到解决方案
实施模式
实践中的基于能量的模型
Hopfield 网络充当联想存储器，通过进入低能量状态来从噪声或部分输入中调用存储的模式。
Hopfield 网络充当关联存储器，通过进入低能量状态，从噪声或部分输入中回忆起存储的模式。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的基于能量的模型
受限玻尔兹曼机历史上用于协作过滤和预训练深度信念网络。
历史上用于协作过滤和预训练深度信念网络的受限玻尔兹曼机当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的基于能量的模型
将标准分类器重新解释为基于能量的模型（JEM 方法），以改进校准、稳健性和分布外检测。
将标准分类器重新解释为基于能量的模型（JEM 方法），以改进校准、鲁棒性和分布外检测 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的基于能量的模型
结构化预测和约束满足，通过最小化许多相互作用的变量（例如，姿态估计或布局）的学习能量来找到解决方案。
结构化预测和约束满足，通过最小化许多交互变量（例如，姿势估计或布局）的学习能量来找到解决方案。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。