ترجمه فارسی مقاله کدگذاری پیش‌بین تقسیم و حل: یک الگوریتم استنتاج بیزی ساختاریافته

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 Divide-and-Conquer Predictive Coding: a structured Bayesian inference algorithm
عنوان مقاله به فارسی کدگذاری پیش‌بین تقسیم و حل: یک الگوریتم استنتاج بیزی ساختاریافته
نویسندگان Eli Sennesh, Hao Wu, Tommaso Salvatori
فرمت مقاله انگلیسی PDF
تعداد صفحات 21
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Machine Learning,Neurons and Cognition,یادگیری ماشین , هوش مصنوعی , یادگیری ماشین , نورون و شناخت ,
توضیحات Submitted 11 August, 2024; originally announced August 2024. , Comments: 22 pages, 5 figures, submitted to Neural Information Processing Systems (NeurIPS) 2024
توضیحات به فارسی ارسال شده در 11 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 22 صفحه ، 5 شکل ، ارسال شده به سیستم های پردازش اطلاعات عصبی (Neurips) 2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 840,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 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

Unexpected stimuli induce "error" or "surprise" signals in the brain. The theory of predictive coding promises to explain these observations in terms of Bayesian inference by suggesting that the cortex implements variational inference in a probabilistic graphical model. However, when applied to machine learning tasks, this family of algorithms has yet to perform on par with other variational approaches in high-dimensional, structured inference problems. To address this, we introduce a novel predictive coding algorithm for structured generative models, that we call divide-and-conquer predictive coding (DCPC). DCPC differs from other formulations of predictive coding, as it respects the correlation structure of the generative model and provably performs maximum-likelihood updates of model parameters, all without sacrificing biological plausibility. Empirically, DCPC achieves better numerical performance than competing algorithms and provides accurate inference in a number of problems not previously addressed with predictive coding. We provide an open implementation of DCPC in Pyro on Github.

چکیده به فارسی (ترجمه ماشینی)

محرکهای غیر منتظره سیگنال های "خطا" یا "غافلگیرکننده" را در مغز القا می کنند.تئوری برنامه نویسی پیش بینی نوید می دهد این مشاهدات را از نظر استنباط بیزی توضیح دهد با این نشان می دهد که قشر استنتاج متغیر را در یک مدل گرافیکی احتمالی پیاده سازی می کند.با این حال ، هنگامی که در کارهای یادگیری ماشین اعمال می شود ، این خانواده از الگوریتم ها هنوز با سایر رویکردهای متنوع در مشکلات استنباط ساختاری بالا و ساختار یافته هنوز هم به طور متغیرها انجام نشده است.برای پرداختن به این موضوع ، ما یک الگوریتم برنامه نویسی پیش بینی کننده جدید را برای مدلهای تولیدی ساختار یافته معرفی می کنیم ، که ما آن را برنامه نویسی پیش بینی کننده تقسیم و متناوب (DCPC) می نامیم.DCPC با سایر فرمولاسیون های برنامه نویسی پیش بینی متفاوت است ، زیرا به ساختار همبستگی مدل تولیدی احترام می گذارد و به طور واقعی به روزرسانی های حداکثر احتمال پارامترهای مدل را انجام می دهد ، همه بدون قربانی پذیری بیولوژیکی.از نظر تجربی ، DCPC عملکرد عددی بهتری نسبت به الگوریتم های رقیب به دست می آورد و استنتاج دقیقی را در تعدادی از مشکلاتی که قبلاً با برنامه نویسی پیش بینی نشده بود ، فراهم می کند.ما یک اجرای باز از DCPC در Pyro در GitHub ارائه می دهیم.

📚 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.