Hlboké učenie založené na modeli

Pôvodný názov:

Model-Based Deep Learning

Obsah knihy:

Spracovanie signálov sa tradične opiera o klasické štatistické modelovacie techniky. Takéto metódy založené na modeli využívajú matematické formulácie, ktoré reprezentujú základnú fyziku, predchádzajúce informácie a ďalšie doménové znalosti.

Jednoduché klasické modely sú užitočné, ale citlivé na nepresnosti a môžu viesť k slabej výkonnosti, keď skutočné systémy vykazujú komplexné alebo dynamické správanie. V poslednom čase sú čoraz populárnejšie prístupy hlbokého učenia, ktoré využívajú vysoko parametrické hlboké neurónové siete (DNN). Systémy hlbokého učenia sa nespoliehajú na matematické modelovanie a svoje mapovanie sa učia z údajov, čo im umožňuje pracovať v komplexných prostrediach.

Chýba im však interpretovateľnosť a spoľahlivosť metód založených na modeloch, na dosiahnutie dobrého výkonu zvyčajne vyžadujú veľké trénované súbory a bývajú výpočtovo zložité.

Metódy spracovania signálov založené na modeli a hlboké učenie zamerané na údaje majú každá svoje výhody a nevýhody. Tieto paradigmy možno charakterizovať ako okraje spojitého spektra, ktoré sa líšia špecifickosťou a parametrizáciou.

Metodiky, ktoré sa nachádzajú v strede tohto spektra, teda integrujú modelovo založené spracovanie signálu s hlbokým učením, sa označujú ako modelovo založené hlboké učenie a sú tu predmetom záujmu. Táto monografia poskytuje výukový štýl prezentácie metodík hlbokého učenia založených na modeli. Ide o rodiny algoritmov, ktoré kombinujú principiálne matematické modely so systémami riadenými údajmi, aby využili výhody oboch prístupov.

Takéto metódy hlbokého učenia založené na modeloch využívajú čiastočné doménové znalosti prostredníctvom matematických štruktúr navrhnutých pre konkrétne problémy, ako aj učenie z obmedzených údajov. Monografia obsahuje bežiace príklady spracovania signálov, v oblasti superrozlíšenia, sledovania dynamických systémov a spracovania polí. Ukazuje sa, ako sa vyjadrujú pomocou poskytnutej charakteristiky a špecializujú v každej z podrobných metodík.

Cieľom je uľahčiť návrh a štúdium budúcich systémov na priesečníku spracovania signálov a strojového učenia, ktoré zahŕňajú výhody oboch oblastí. Zdrojový kód numerických príkladov je k dispozícii a reprodukovateľný ako zošity v jazyku Python.