Helmholtz maskin

Helmholtz -maskinen (uppkallad efter Hermann von Helmholtz och hans koncept Helmholtz fri energi ) är en typ av artificiellt neuralt nätverk som kan redogöra för den dolda strukturen av en datauppsättning genom att tränas för att skapa en generativ modell av den ursprungliga datauppsättningen . Förhoppningen är att genom att lära sig ekonomiska representationer av datan, bör den underliggande strukturen för den generativa modellen rimligen approximera den dolda strukturen hos datamängden. En Helmholtz-maskin innehåller två nätverk, ett nedifrån och upp igenkänningsnätverk som tar data som indata och producerar en fördelning över dolda variabler, och ett top-down "generativt" nätverk som genererar värden för de dolda variablerna och själva datan. På den tiden var Helmholtz-maskiner en av en handfull inlärningsarkitekturer som använde såväl feedback som feedforward för att säkerställa kvaliteten på inlärda modeller.

Helmholtz-maskiner tränas vanligtvis med en oövervakad inlärningsalgoritm , såsom wake-sleep-algoritmen . De är en föregångare till variationsautokodare , som istället tränas med hjälp av backpropagation . Helmholtz-maskiner kan också användas i applikationer som kräver en övervakad inlärningsalgoritm (t.ex. teckenigenkänning eller positionsinvariant igenkänning av ett objekt inom ett fält).

Se även

• Autokodare
• Boltzmann maskin
• Hopfield nätverk
• Begränsad Boltzmann-maskin

externa länkar

• http://www.cs.utoronto.ca/~hinton/helmholtz.html — Hintons papper om Helmholtz-maskiner
• https://www.nku.edu/~kirby/docs/HelmholtzTutorialKoeln.pdf - En handledning om Helmholtz-maskiner