Алгоритм бодрствования-сна - Википедия - Wake-sleep algorithm

Слои нейронной сети. R, G - веса, используемые алгоритмом пробуждения-сна для изменения данных внутри слоев.

В алгоритм бодрствования-сна[1] является обучение без учителя алгоритм для стохастический многослойный[требуется разъяснение ] нейронная сеть. Алгоритм регулирует параметры, чтобы получить хорошую оценку плотности.[2] Есть две фазы обучения, фаза «бодрствования» и фаза «сна», которые выполняются поочередно.[3] Впервые он был разработан как модель функционирования мозга с использованием вариационное байесовское обучение. После этого алгоритм был адаптирован под машинное обучение. Это можно рассматривать как способ тренировки Машина Гельмгольца[4][5]. Его также можно использовать в Сети глубокого убеждения (DBN).

Описание

Алгоритм бодрствования-сна визуализируется в виде набора слоев, содержащих представления данных.[6] Слои выше представляют данные из слоя ниже. Фактические данные размещаются ниже нижнего слоя, в результате чего слои поверх него постепенно становятся более абстрактными. Между каждой парой слоев есть вес распознавания и генеративный вес, которые обучаются для повышения надежности во время выполнения алгоритма.[7]

Алгоритм бодрствования-сна сходящийся[8] и может быть стохастическим[9] если чередовать соответствующим образом.

Обучение персонала

Тренировка состоит из двух фаз - фазы «бодрствования» и фазы «сна».

Фаза "пробуждения"

Нейроны запускаются соединениями распознавания (от того, что будет входить до того, что будет получено). Генеративные связи (ведущие от выходов к входам) затем модифицируются, чтобы увеличить вероятность того, что они воссоздают правильную активность на нижнем уровне - ближе к фактическим данным из сенсорного ввода.[10]

Фаза «сна»

В фазе «сна» процесс обратный - нейроны активируются генеративными связями, в то время как распознающие связи модифицируются, чтобы увеличить вероятность того, что они воссоздают правильную активность в верхнем слое - в дополнение к фактическим данным из сенсорного ввода.[11]

Возможные риски

Вариационное байесовское обучение основан на вероятности. Существует вероятность того, что аппроксимация выполняется с ошибками, что повредит дальнейшее представление данных. Другой недостаток относится к сложным или искаженным выборкам данных, что затрудняет вывод репрезентативной модели.

Было высказано предположение, что алгоритм бодрствования-сна не будет достаточно мощным для уровней сети вывода, чтобы восстановить хорошую оценку апостериорного распределения скрытых переменных.[12]

Смотрите также

Рекомендации

  1. ^ Хинтон, Джеффри Э.; Даян, Питер; Фрей, Брендан Дж.; Нил, Рэдфорд (1995-05-26). «Алгоритм бодрствования-сна для неконтролируемых нейронных сетей». Наука. 268 (5214): 1158–1161. Bibcode:1995Научный ... 268.1158H. Дои:10.1126 / science.7761831. PMID  7761831. S2CID  871473.
  2. ^ Фрей, Брендан Дж .; Хинтон, Джеффри Э .; Даян, Питер (1996-05-01). "Дает ли алгоритм бодрствования-сна хорошие оценки плотности?" (PDF). Достижения в системах обработки нейронной информации.
  3. ^ Катаяма, Кацуки; Андо, Масатака; Хоригути, Цуёси (2004-04-01). «Модели областей MT и MST с использованием алгоритма бодрствования-сна». Нейронные сети. 17 (3): 339–351. Дои:10.1016 / j.neunet.2003.07.004. PMID  15037352.
  4. ^ Хинтон, Джеффри Э .; Даян, Питер; Фрей, Брендан Дж .; Нил, Рэдфорд (1995-05-26). «Алгоритм бодрствования-сна для неконтролируемых нейронных сетей». Наука. 268 (5214): 1158–1161. Bibcode:1995Научный ... 268.1158H. Дои:10.1126 / science.7761831. PMID  7761831. S2CID  871473.
  5. ^ Даян, Петр; Хинтон, Джеффри Э. (1996-11-01). «Разновидности машины Гельмгольца». Нейронные сети. Четыре основные гипотезы в неврологии. 9 (8): 1385–1403. CiteSeerX  10.1.1.29.1677. Дои:10.1016 / S0893-6080 (96) 00009-3. PMID  12662541.
  6. ^ Мэй, Хамид Реза (25 января 2007 г.). «Алгоритм бодрствования-сна для репрезентативного обучения». Монреальский университет. Получено 2011-11-01.
  7. ^ Neal, Radford M .; Даян, Питер (1996-11-24). «Факторный анализ с использованием дельта-правил обучения бодрствованию и сну» (PDF). Университет Торонто. Получено 2015-11-01.
  8. ^ Икеда, Широ; Амари, Шун-ичи; Накахара, Хироюки. «Сходимость алгоритма бодрствования-сна» (PDF). Институт статистической математики. Получено 2015-11-01.
  9. ^ Dalzell, R.W.H .; Мюррей, A.F. (1999-01-01). «Каркас для дискретнозначной машины Гельмгольца». 9-я Международная конференция по искусственным нейронным сетям: ICANN '99. 1. С. 49–54 т.1. Дои:10.1049 / cp: 19991083. ISBN  0-85296-721-7.
  10. ^ Хинтон, Джеффри; Даян, Петр; Фрей, Брендан Дж; Нил, Рэдфорд М. (1995-04-03). «Алгоритм бодрствования-сна для неконтролируемых нейронных сетей» (PDF). PMID  7761831. Получено 2015-11-01. Цитировать журнал требует | журнал = (помощь)
  11. ^ Даян, Питер. «Машины Гельмгольца и обучение сну и бодрствованию» (PDF). Получено 2015-11-01.
  12. ^ Bornschein, Jörg; Бенжио, Йошуа (10.06.2014). «Обновленный сон-бодрствование». arXiv:1406.2751 [cs.LG ].