مقاله ترجمه شده مقایسه الگوریتم ها برای استنتاج و یادگیری در مدل گرافیکی احتمالی

مقایسه الگوریتم ها برای استنتاج و یادگیری در مدل گرافیکی احتمالی

 چکیده

در حال حاضر تحقیق درمورد روش استدلال تحت عدم قطعیت، تا حد زیادی به این دلیل که قابل ثبت شدن، ذخیره‌شدن، و پردازش حجم عظیمی از داده‌ها می‌باشد، یکی از مهیج‌ترین حوزه‌های هوش مصنوعی است. درحالی که دستاوردهای قابل توجه الگوی مسله‌های طبقه‌بندی مانند تشخیص کاراکترهای دست خط، تشخیص چهره، تشخیص صحبت‌کردن، و پیش‌بینی تابع ژن را ساخته اند، حتی جالب است که در آستانه معرفی سیستم محققین می‌توانند در مقیاس‌بزرگ تجزیه و تحلیل ترکیبی داده‌ها، تجزیه داده به درون اجزای تعاملی را انجام دهند. برای مثال، روش های محاسباتی برای تحلیل صحنه در حال حاضر در جامعه بینایی کامپیوتر با هم ادغام شده‌اند. این روش‌ها تصاویر ورودی را به درون اشیا تشکیل دهنده‌اش، شرایط نوری الگوی حرکتی و غیره تجزیه می‌کنند. دو چالش اصلی پیدا کردن نمایش و مدل موثر در برنامه‌های کاربردی ویژه و یافتن الگوریتم کارآمد برای استنتاج و یادگیری در این مدل‌ها می‌باشد. در این مقاله، از استفاده از مدل احتمالی مبتنی بر گراف و استنتاج های وابسته به آنها و الگوریتم‌های یادگیری حمایت می‌کنیم. تکنیک نهایی و تقریب‌های مختلف، تکنیک‌های موثر محاسباتی، شامل حالت شرطی تکراری، الگوریتم حداکثر انتظار (EM) ، نمونه سازی Gibbs، روش میدان میانگین، روش تغییرات، تکنیک تغییرات ساختاریافته و الگوریتم جمع-ضرب را مورد بررسی قرار دادیم (انتشار عقیده "loopy"). و نیز شرح می‌دهیم که چگونه هرتکنیک می‌تواند در مدل بینایی متعدد، مسدود کردن اشیا و و ساختن رفتار و عملکرد تکنیک‌ها با استفاده از تابع هزینه واحد، انرژی آزاد بکار گرفته شده‌است.

تعداد صفحات ترجمه شده :57

تعداد صفحات انگلیسی:25

• مشخصات محصول
• دسته‌بندی محصول
• برچسب‌ها
• دیدگاه‌ها