신경망과 그래픽 모델을 수학적으로 연결하는 데 어려움을 겪고 있습니다.
그래픽 모델에서 아이디어는 간단합니다. 확률 분포는 그래프의 기울기에 따라 인수 분해되며, 일반적으로 전위는 지수 계열입니다.
신경망에 대한 동등한 추론이 있습니까? Restricted Boltzmann 기계 또는 CNN의 단위 (변수)에 대한 확률 분포를 에너지 또는 단위 간 에너지의 곱으로 나타낼 수 있습니까?
또한 확률 분포는 지수 군의 RBM 또는 Deep Faith 네트워크 (예 : CNN)에 의해 모델링됩니까?
Jordan & Wainwright가 그래픽 모델, 지수 가족 및 변형 추론을 사용하여 그래픽 모델 에 대해 수행 한 것과 같은 방식으로 이러한 현대 신경 네트워크 유형과 통계 간의 연결을 공식화하는 텍스트를 찾고 싶습니다 . 모든 포인터가 좋을 것입니다.
"using deep nets as factors in an MRF"
)에 관한 것이 아니라 확률 적 요인 그래프로 딥 넷을 보는 방법에 대한 것입니다. Yann LeCun의 말에 따르면 "of course deep Boltzmann Machines are a form of probabilistic factor graph themselves"
, 그 연결을 수학적으로 보는 데 관심이 있습니다.
https://distill.pub/2017/feature-visualization/
( 예 : 신경망이 이미지를 이해하는 방법)을 보았습니다 . 가중치는 비 분리형 방식으로 '토폴로지'를 '변경'할 수 있습니다. 비록 그것을 보지 못했지만, 일부 방법은 가장자리를 제거하기 위해 수축 계수를 포함 할 수 있으므로 원래 토폴로지를 변경하십시오