Что такое минимизация энергии в машинном обучении?

Я читал об оптимизации для некорректной проблемы в компьютерном зрении и натолкнулся на объяснение ниже об оптимизации в Википедии. Я не понимаю, почему они называют эту оптимизацию « Минимизация энергии » в Computer Vision?

Задача оптимизации может быть представлена следующим образом:

Дано: функция из некоторого множества в вещественные числа $f: A \to R$ $A$

Требуется: элемент в такой, что для всех в («минимизация») или такой, что для всех в (« максимизация "). $x_0$ $A$ $f(x_0) ≤ f(x)$ $x$ $A$ $f(x_0) ≥ f(x)$ $x$ $A$

Такая формулировка называется проблемой оптимизации или проблемой математического программирования (термин, непосредственно не связанный с компьютерным программированием, но все еще используемый, например, в линейном программировании - см. Историю ниже). Многие реальные и теоретические проблемы могут быть смоделированы в этой общей структуре. Задачи, сформулированные с использованием этой методики в области физики и компьютерного зрения, могут относиться к технике как к минимизации энергии, говоря о значении функции как о представлении энергии моделируемой системы. $f$

machine-learning optimization computer-vision

— iamprem
источник

Ответы:

Энергетические модели - это унифицированная структура для представления многих алгоритмов машинного обучения. Они интерпретируют вывод как минимизацию энергетической функции, а обучение - как минимизацию потерь.

Энергетическая функция является функцией конфигурации скрытых переменных и конфигурации входов, представленных в примере. Вывод, как правило, означает нахождение конфигурации с низкой энергией или выборку из возможной конфигурации, так что вероятность выбора данной конфигурации является распределением Гиббса.

Функционал потерь является функцией параметров модели, приведенных во многих примерах. Например, в контролируемой проблеме обучения ваша потеря - это полная ошибка в целях. Его иногда называют «функционалом», потому что это функция (параметризованной) функции, которая составляет модель.

Основная статья:

Y. LeCun, S. Chopra, R. Hadsell, M. Ranzato и FJ Huang, «Учебное пособие по обучению на основе энергии», в Прогнозирование структурированных данных, MIT Press, 2006.

Также см:

LeCun, Y. & Huang, FJ (2005). Функции потерь для дискриминационного обучения моделей на основе энергии. В материалах 10-го международного семинара по искусственному интеллекту и статистике (AIStats'05). Получено с http://yann.lecun.com/exdb/publis/pdf/lecun-huang-05.pdf

Ranzato, M., Boureau, Y.-L., Chopra S., & LeCun, Y. (2007). Единая энергетическая основа для обучения без учителя. Proc. Конференция по ИИ и статистике (AI-Stats). Получено с http://dblp.uni-trier.de/db/journals/jmlr/jmlrp2.html#RanzatoBCL07

— Нил Г
источник

Можете ли вы рассказать о том, что означает «Они интерпретируют вывод как минимизацию энергетической функции, а обучение - как минимизацию функции потерь»? Чем энергетическая функция отличается от функции потерь?

— Клифф AB

Не могли бы вы уточнить ваш ответ

— Iamprem

@ CliffAB Надеюсь, это понятнее?

— Нил Г

@NeilG: если честно, я все еще немного растерялся. Для меня это звучит так, как будто «энергетическая функция» - это то же самое, что функция вероятности в статистике. Это разумное толкование или я упускаю что-то более тонкое?

— Клифф А.Б.

@CliffAB: функция энергии может быть логарифмической вероятностью, и в этом случае полная возведенная в степень энергия равна единице. Однако в этом даже нет необходимости: не вероятностные модели, основанные на энергии, не беспокоятся об этой нормализации, что может сделать их изучение более эффективным, чем вероятностные модели. Это потому, что это позволяет избежать оценки дорогих интегралов в пространстве конфигурации.

— Нил Г

$x_t$

E = Σ x_{t}^{2}

$E = \Sigma x_t^2$

S S E = Σ (y - \hat{y})^{2}

$SSE= \Sigma (y-\hat{y})^2$

\hat{y}

$\hat{y}$

— стан
источник

Я думаю, что вы путаете потерю с энергией

— Нил Г

Я использую стандартное определение энергии от обработки сигнала . Я полагаю, что люди, работающие в области компьютерных наук и машинного обучения, склонны пересматривать термины Я пришел из статистики и обработки сигналов фона

— стан

Ваша первая формула - это энергетическая функция. Вторая формула - это функция потерь, так как она не является функцией конфигурации.

— Нил Г

@Neil Я уверен, что вы правильно используете терминологию, определенную в цитируемых вами статьях. Это просто другая терминология из того, что я привык , где SSE энергия

— Стан