รุ่นที่ใช้พลังงาน (EBM) เป็นกลุ่มของแบบจําลองเครือข่ายประสาท ที่กําหนดฟังก์ชันพลังงานเพื่อความเข้ากันได้ระหว่างการรับข้อมูลและผลลัพธ์ รุ่นเหล่านี้ถูกใช้ในงานการเรียนรู้หลาย ๆ อย่าง รวมถึงการจําลองและควบคุมการเรียนรู้ บทความนี้สํารวจหลักการพื้นฐาน, การคํานวณ และการใช้งานจริงของ EBM ในเครือข่ายประสาท

สมมุติฐานพื้นฐานของโมเดลพลังงาน

EBMs กําหนดค่าพลังงานสเกลาร์ให้กับแต่ละรูปแบบของตัวแปรนําเข้าและส่งออกมา เป้าหมายคือ การเรียนรู้ฟังก์ชันพลังงานที่มีประสิทธิภาพหรือต้องการที่มีพลังงานต่ํา ในขณะที่ค่าที่ถูกไม่ถูกต้องมีพลังงานสูง ไม่เหมือนกับแบบจําลองแบบ perbablical expression EBMs ไม่ได้เน้นการจัดจําหน่ายความน่าจะเป็นแบบโดยตรง แต่เน้นการลดพลังงาน

การ คํานวณ ทาง คณิตศาสตร์ ใน เอ บี เอ็ม

แกนหลักของ EBM คือฟังก์ชันพลังงานของมัน โดยปกติจะหมายถึง E(x, y) โดย x คือค่านําเข้า และ y คือค่าที่แสดงออกมา ส่วนในการฝึกอบรมนั้น โมเดลปรับพารามิเตอร์เพื่อลดพลังงานในการปรับแต่งที่ถูกต้อง และเพิ่มค่าให้น้อยที่สุดสําหรับค่าที่ไม่ถูกต้อง ฟังก์ชันสูญเสียมักเกี่ยวข้องกับความเหลื่อมล้ําที่แปรผันหรือวิธีการประมาณอื่น ๆ เพื่อประเมินเกรเดียนอย่างมีประสิทธิภาพ

การคํานวณเกี่ยวข้องกับการคํานวณการไล่ระดับความโปร่งแสงของฟังก์ชันพลังงาน เทียบกับพารามิเตอร์ของโมเดล ซึ่งจะนําทางกระบวนการแปลงค่าให้ค่าสูงสุด วิธีการขยายข้อมูลเช่น มาร์คอฟ มอนเตคาร์โล (MCMC) ถูกใช้ในการประมาณการกระจายตัวของการปรับแต่งระหว่างการฝึก

ใช้งานอักษร EBM ของโลกจริง

แบบจําลองที่ใช้พลังงานนั้นถูกนํามาใช้ในหลายโดเมน รวมถึง:

  • [FLT: 0] รุ่นที่เจริญ: EBMs สามารถสร้างภาพจริงได้โดยตัวอย่างการปรับเปลี่ยนแบบต่ํา ๆ
  • [FLT: 0] ตรวจจับโรค: คะแนนสูง บ่งบอกถึงความผิดปกติหรือผลที่ผิดปกติในข้อมูล
  • [FLT: 0] การเรียนรู้การบังคับ: EBM ช่วยระบบนิเวศแบบไดนามิคและระบบการให้รางวัล
  • [FLT: 0] การประมวลผลภาษานาตาล: ใช้สําหรับงานต่าง ๆ เช่น โมเดลภาษา และความเข้าใจเชิงภาษา (Secmantic)