ऊर्जा आधारित मॉडल (EBMs) तंत्रिका नेटवर्क मॉडल का एक वर्ग है जो इनपुट और आउटपुट के बीच संगतता का प्रतिनिधित्व करने के लिए ऊर्जा कार्य को परिभाषित करता है। इन मॉडलों का उपयोग विभिन्न मशीन लर्निंग कार्यों में किया जाता है, जिसमें जेनेरेटिव मॉडलिंग और अनसुरक्षित लर्निंग शामिल है। यह लेख तंत्रिका नेटवर्क में EBMs की मूलभूत अवधारणाओं, गणितीय गणनाओं और व्यावहारिक अनुप्रयोगों की पड़ताल करता है।

ऊर्जा आधारित मॉडलों की मौलिक अवधारणाएं

EBMs इनपुट और आउटपुट चर के प्रत्येक विन्यास के लिए एक स्केलर ऊर्जा मान को असाइन करते हैं। लक्ष्य एक ऊर्जा कार्य को सीखना है जहां सही या वांछनीय विन्यास में कम ऊर्जा होती है, जबकि गलत लोगों में उच्च ऊर्जा होती है। पारंपरिक प्रोबिलिस्टिक मॉडल के विपरीत, EBM स्पष्ट रूप से मॉडल संभावना वितरण को मॉडल नहीं करते हैं लेकिन ऊर्जा न्यूनतमकरण पर ध्यान केंद्रित करते हैं।

EBMs में गणितीय गणना

EBM का मूल इसका ऊर्जा कार्य है, जिसे आम तौर पर E(x, y) कहा जाता है, जहां x इनपुट है और y उत्पादन है। प्रशिक्षण के दौरान, मॉडल सही विन्यास की ऊर्जा को कम करने और इसे गलत लोगों के लिए अधिकतम करने के लिए मापदंडों को समायोजित करता है। नुकसान समारोह में अक्सर विषम विचलन या अन्य अनुमान तरीकों को कुशलतापूर्वक क्रमिक रूप से आकलन करने के लिए शामिल किया जाता है।

गणना में मॉडल मापदंडों के संबंध में ऊर्जा कार्य के ढाल की गणना शामिल है, जो अनुकूलन प्रक्रिया का मार्गदर्शन करता है। प्रशिक्षण के दौरान विन्यास पर वितरण को लागू करने के लिए मार्कोव चेन मोन्टे कार्लो (एमसीएमसी) जैसे सैम्पलिंग विधियों का उपयोग किया जाता है।

EBMs के रियल-विश्व उपयोग के मामले

विभिन्न डोमेन में ऊर्जा आधारित मॉडल लागू किए जाते हैं, जिनमें शामिल हैं:

  • Image Generation:] EBM कम ऊर्जा विन्यास का नमूना करके यथार्थवादी छवियां उत्पन्न कर सकते हैं।
  • ]Anomaly जांच: उच्च ऊर्जा स्कोर डेटा में anomalies या outliers संकेत मिलता है।
  • ]Reinforcement Learning: EBM मॉडल पर्यावरण गतिशीलता और इनाम कार्यों में मदद करता है।
  • प्राकृतिक भाषा प्रसंस्करण: भाषा मॉडलिंग और अर्थिक समझ जैसे कार्यों के लिए प्रयुक्त।