استفاده از انرژی آزاد در روش واگرایی متقابل پایدار برای یادگیری شبکههای باور عمیق

امروزه استفاده از معماریهای عمیق در یادگیری و تشخیص الگو بسیار متداول شده است. یکی از روشهای معمول در معماریهای عمیق شبکههای باور عمیق است که در آن با استفاده از ترکیب چندین ماشین بولتزمن محدود، یک مدل قدرتمند مولد از داده هایآموزشی را میسازد. در این مقاله سعی شده تا با بهبود یکی از روشهای یادگیری این نوع از شبکهها، نتایج بهتری را نسبت به رویکردهای قبلی بدست آوریم. روش جدید به نامFEPCD سعی میکند تا به کمک مقدار انرژی آزاد، نمونه های بهتری را برای محاسبه گرادیان لگاریتم احتمال داده آموزشی، بدست آورد. بر اساس نتایج بدست آمده در این روش، می توان در دادگان ارقام دستنویسMNIST به خطایی به اندازه 70.1 % رسید که این مقدار از نتای موجود در مرجع اصلی شبکههای باورعمیق با1.25% خطاوازروشهای معمول دسته بندی مثلsVM با 1.4درصدخطا دارای دقت بالاتری است

کلیدواژه ها:

ماشین بولتزمن محدود ، شبکه های باور عمیق ، نمونهبرداری گیبز ، واگرایی متقابل پایدار ، انرژی آزاد