去噪得分匹配-使用xtext和xtend实现域特定语言(第二版)-中文-第四章
![preview](https://csdnimg.cn/release/download/static_files/pc/images/thumbnail/PDF.png)
![preview-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/scale.ab9e0183.png)
528 第十八章 直面配分函数 练模型给测试集图像去噪时,比率匹配的效果要优于 SML、伪似然和GSM。 类似于伪似然估计,比率匹配对每个数据点都需要 n 个 p̃ 的估计,因此每次更 新的计算代价大约比 SML 的计算代价高出 n 倍。 与伪似然估计一样,我们可以认为比率匹配减小了所有只有一个变量不同于训 练样本的状态的概率。由于比率匹配特别适用于二值数据,这意味着在与数据的汉 明距离为 1 内的所有状态上,比率匹配都是有效的。 比率匹配还可以作为处理高维稀疏数据(例如词计数向量)的基础。这类稀疏 数据对基于MCMC的方法提出了挑战,因为以密集格式表示数据是非常消耗计算资 源的,而只有在模型学会表示数据分布的稀疏性之后,MCMC采样才会产生稀疏值。 Dauphin and Bengio (2013) 设计了比率匹配的无偏随机近似来解决这个问题。该近 似只估计随机选择的目标子集,不需要模型生成完整的样本。 读者可以参考 Marlin and de Freitas (2011) 了解比率匹配渐近效率的理论分 析,。 18.5 去噪得分匹配 某些情况下,我们希望拟合以下分布来正则化得分匹配 psmoothed(x) = ∫ pdata(y)q(x | y)dy (18.27) 而不是拟合真实分布 pdata。分布 q(x | y) 是一个损坏过程,通常在形成 x 的过程中 会向 y 中添加少量噪声。 去噪得分匹配非常有用,因为在实践中,通常我们不能获取真实的 pdata,而只 能得到其样本确定的经验分布。给定足够容量,任何一致估计都会使 pmodel 成为一 组以训练点为中心的Dirac 分布。考虑在第 5.4.5节介绍的渐近一致性上的损失,通 过 q 来平滑有助于缓解这个问题。Kingma and LeCun (2010b) 介绍了平滑分布 q 为 正态分布噪声的正则化得分匹配。 回顾第 14.5.1节,有一些自编码器训练算法等价于得分匹配或去噪得分匹配。因 此,这些自编码器训练算法也是解决配分函数问题的一种方式。
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![epub](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![mobi](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![vsdx](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![csv](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/ad590f3cdc0d4a37835fd58012c99806_weixin_26643379.jpg!1)
- 粉丝: 48
- 资源: 4316
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)