ترجمه فارسی مقاله چارچوب شبکه جریان بیزی برای وظایف شیمی

چکیده

This paper describes a discrete state-space model — and accompanying methods — for generative modelling. This model generalises partially observed Markov decision processes to include paths as latent variables, rendering it suitable for active inference and learning in a dynamic setting. Specifically, we consider deep or hierarchical forms using the renormalisation group. The ensuing renormalising generative models (RGM) can be regarded as discrete homologues of deep convolutional neural networks or continuous state-space models in generalised coordinates of motion. By construction, these scale-invariant models can be used to learn compositionality over space and time, furnishing models of paths or orbits; i.e., events of increasing temporal depth and itinerancy. This technical note illustrates the automatic discovery, learning and deployment of RGMs using a series of applications. We start with image classification and then consider the compression and generation of movies and music. Finally, we apply the same variational principles to the learning of Atari-like games.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک مدل حالت فضایی گسسته-و روشهای همراه-برای مدل سازی تولیدی شرح داده شده است.این مدل فرایندهای تصمیم گیری مارکوف را تا حدی مشاهده می کند تا مسیرهایی را به عنوان متغیرهای نهفته در بر بگیرد ، و آن را برای استنباط فعال و یادگیری در یک محیط پویا مناسب می کند.به طور خاص ، ما اشکال عمیق یا سلسله مراتبی را با استفاده از گروه تجدید ساختار در نظر می گیریم.مدل های تولیدی پس از آن (RGM) را می توان به عنوان همولوگ گسسته شبکه های عصبی عمیق و یا مدلهای حالت مداوم در فضای در مختصات عمومی حرکت در نظر گرفت.با ساخت و ساز ، از این مدل های متغیر مقیاس می توان برای یادگیری ترکیب در فضا و زمان ، مدل های مبله مسیرها یا مدارها استفاده کرد.یعنی وقایع افزایش عمق و سفر زمانی.این نت فنی با استفاده از یک سری برنامه ها ، کشف خودکار ، یادگیری و استقرار RGM ها را نشان می دهد.ما با طبقه بندی تصویر شروع می کنیم و سپس فشرده سازی و تولید فیلم و موسیقی را در نظر می گیریم.سرانجام ، ما همان اصول متنوع را برای یادگیری بازی های مانند آتاری اعمال می کنیم.