ترجمه فارسی مقاله فرآیندهای عصبی شرطی مشروط

چکیده

Neural processes are a family of models which use neural networks to directly parametrise a map from data sets to predictions. Directly parametrising this map enables the use of expressive neural networks in small-data problems where neural networks would traditionally overfit. Neural processes can produce well-calibrated uncertainties, effectively deal with missing data, and are simple to train. These properties make this family of models appealing for a breadth of applications areas, such as healthcare or environmental sciences. This thesis advances neural processes in three ways. First, we propose convolutional neural processes (ConvNPs). ConvNPs improve data efficiency of neural processes by building in a symmetry called translation equivariance. ConvNPs rely on convolutional neural networks rather than multi-layer perceptrons. Second, we propose Gaussian neural processes (GNPs). GNPs directly parametrise dependencies in the predictions of a neural process. Current approaches to modelling dependencies in the predictions depend on a latent variable, which consequently requires approximate inference, undermining the simplicity of the approach. Third, we propose autoregressive conditional neural processes (AR CNPs). AR CNPs train a neural process without any modifications to the model or training procedure and, at test time, roll out the model in an autoregressive fashion. AR CNPs equip the neural process framework with a new knob where modelling complexity and computational expense at training time can be traded for computational expense at test time. In addition to methodological advancements, this thesis also proposes a software abstraction that enables a compositional approach to implementing neural processes. This approach allows the user to rapidly explore the space of neural process models by putting together elementary building blocks in different ways.

چکیده به فارسی (ترجمه ماشینی)

فرآیندهای عصبی خانواده ای از مدل ها هستند که از شبکه های عصبی استفاده می کنند تا مستقیماً نقشه را از مجموعه داده ها به پیش بینی ها پارامتر کنند.به طور مستقیم پارامتر کردن این نقشه ، استفاده از شبکه های عصبی بیانگر را در مشکلات داده های کوچک امکان پذیر می کند که در آن شبکه های عصبی به طور سنتی بیش از حد افزایش می یابد.فرآیندهای عصبی می توانند عدم قطعیت های خوب کالیبره شده را ایجاد کنند ، به طور مؤثر با داده های مفقود شده برخورد کنند و برای آموزش ساده هستند.این خصوصیات باعث می شود که این خانواده از مدل ها برای وسعت مناطق برنامه های کاربردی مانند مراقبت های بهداشتی یا علوم محیطی جذاب باشند.این پایان نامه فرآیندهای عصبی را از سه طریق پیشرفت می کند.اول ، ما فرآیندهای عصبی حلقوی (CONVNPS) را پیشنهاد می کنیم.CONNNP ها با ایجاد تقارن به نام ترجمه ، بازده داده های فرآیندهای عصبی را بهبود می بخشند.ConvNPS به جای درک چند لایه به شبکه های عصبی حلقوی متکی هستند.دوم ، ما فرآیندهای عصبی گاوسی (GNP) را پیشنهاد می کنیم.GNP ها به طور مستقیم وابستگی های پارامتر در پیش بینی های یک فرآیند عصبی.رویکردهای فعلی به مدل سازی وابستگی ها در پیش بینی ها به یک متغیر نهفته بستگی دارد ، که در نتیجه نیاز به استنتاج تقریبی دارد و سادگی رویکرد را تضعیف می کند.سوم ، ما فرآیندهای عصبی شرطی خود را (AR CNP) پیشنهاد می کنیم.AR CNPS یک فرآیند عصبی را بدون هیچ گونه اصلاح در مدل یا روش آموزش آموزش می دهد و در زمان آزمایش ، مدل را به روشی خودجوش می کنید.AR CNP ها چارچوب فرآیند عصبی را با یک دستگیره جدید تجهیز می کنند که در آن پیچیدگی مدل سازی و هزینه محاسباتی در زمان آموزش می تواند برای هزینه محاسباتی در زمان آزمون معامله شود.علاوه بر پیشرفت های روش شناختی ، این پایان نامه همچنین یک انتزاع نرم افزاری را ارائه می دهد که یک رویکرد ترکیبی را برای اجرای فرآیندهای عصبی امکان پذیر می کند.این روش به کاربر اجازه می دهد تا با قرار دادن بلوک های ساختاری ابتدایی به روش های مختلف ، فضای مدلهای فرآیند عصبی را به سرعت کشف کند.