ترجمه فارسی مقاله رگرسیون مولفه اصلی مولد از طریق استنتاج متغیر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Generative Principal Component Regression via Variational Inference
عنوان مقاله به فارسی رگرسیون مولفه اصلی مولد از طریق استنتاج متغیر
نویسندگان Austin Talbot, Corey J Keller, David E Carlson, Alex V Kotlar
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 3 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 3 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The ability to manipulate complex systems, such as the brain, to modify specific outcomes has far-reaching implications, particularly in the treatment of psychiatric disorders. One approach to designing appropriate manipulations is to target key features of predictive models. While generative latent variable models, such as probabilistic principal component analysis (PPCA), is a powerful tool for identifying targets, they struggle incorporating information relevant to low-variance outcomes into the latent space. When stimulation targets are designed on the latent space in such a scenario, the intervention can be suboptimal with minimal efficacy. To address this problem, we develop a novel objective based on supervised variational autoencoders (SVAEs) that enforces such information is represented in the latent space. The novel objective can be used with linear models, such as PPCA, which we refer to as generative principal component regression (gPCR). We show in simulations that gPCR dramatically improves target selection in manipulation as compared to standard PCR and SVAEs. As part of these simulations, we develop a metric for detecting when relevant information is not properly incorporated into the loadings. We then show in two neural datasets related to stress and social behavior in which gPCR dramatically outperforms PCR in predictive performance and that SVAEs exhibit low incorporation of relevant information into the loadings. Overall, this work suggests that our method significantly improves target selection for manipulation using latent variable models over competitor inference schemes.

چکیده به فارسی (ترجمه ماشینی)

توانایی دستکاری در سیستم های پیچیده ، مانند مغز ، در اصلاح نتایج خاص ، پیامدهای بسیار گسترده ای دارد ، به ویژه در درمان اختلالات روانپزشکی.یک رویکرد برای طراحی دستکاری های مناسب ، هدف قرار دادن ویژگی های کلیدی مدل های پیش بینی است.در حالی که مدلهای متغیر نهفته تولیدی ، مانند تجزیه و تحلیل مؤلفه اصلی احتمالی (PPCA) ، ابزاری قدرتمند برای شناسایی اهداف است ، آنها در ترکیب اطلاعات مربوط به نتایج کم واریته در فضای نهفته تلاش می کنند.هنگامی که اهداف تحریک در فضای نهفته در چنین سناریویی طراحی می شوند ، مداخله می تواند با حداقل کارآیی زیر حد متوسط ​​باشد.برای پرداختن به این مشکل ، ما یک هدف جدید را بر اساس خودروهای متغیر تحت نظارت (SVAEs) ایجاد می کنیم که چنین اطلاعاتی را در فضای نهفته نشان می دهد.از هدف جدید می توان با مدلهای خطی مانند PPCA استفاده کرد ، که ما از آن به عنوان رگرسیون مؤلفه اصلی تولید (GPCR) یاد می کنیم.ما در شبیه سازی ها نشان می دهیم که GPCR به طور چشمگیری انتخاب هدف در دستکاری را در مقایسه با PCR استاندارد و SVAE ها بهبود می بخشد.به عنوان بخشی از این شبیه سازی ها ، ما یک متریک برای تشخیص اطلاعات مربوط به اطلاعات مربوطه به درستی در بارهای موجود ایجاد نمی کنیم.ما سپس در دو مجموعه داده عصبی مربوط به استرس و رفتار اجتماعی نشان می دهیم که در آن GPCR به طور چشمگیری از PCR در عملکرد پیش بینی بهتر عمل می کند و SVAE ها از ترکیب کم اطلاعات مربوط به بارهای خود برخوردار هستند.به طور کلی ، این کار نشان می دهد که روش ما به طور قابل توجهی انتخاب هدف را برای دستکاری با استفاده از مدلهای متغیر نهفته در برنامه های استنتاج رقیب بهبود می بخشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.