ترجمه فارسی مقاله Half-VAE: VAE بدون رمزگذار برای دور زدن نقشه برداری معکوس صریح

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 Half-VAE: An Encoder-Free VAE to Bypass Explicit Inverse Mapping
عنوان مقاله به فارسی Half-VAE: VAE بدون رمزگذار برای دور زدن نقشه برداری معکوس صریح
نویسندگان Yuan-Hao Wei, Yan-Jie Sun, Chen Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 13 September, 2024; v1 submitted 6 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛V1 ارسال شده در 6 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

Inference and inverse problems are closely related concepts, both fundamentally involving the deduction of unknown causes or parameters from observed data. Bayesian inference, a powerful class of methods, is often employed to solve a variety of problems, including those related to causal inference. Variational inference, a subset of Bayesian inference, is primarily used to efficiently approximate complex posterior distributions. Variational Autoencoders (VAEs), which combine variational inference with deep learning, have become widely applied across various domains. This study explores the potential of VAEs for solving inverse problems, such as Independent Component Analysis (ICA), without relying on an explicit inverse mapping process. Unlike other VAE-based ICA methods, this approach discards the encoder in the VAE architecture, directly setting the latent variables as trainable parameters. In other words, the latent variables are no longer outputs of the encoder but are instead optimized directly through the objective function to converge to appropriate values. We find that, with a suitable prior setup, the latent variables, represented by trainable parameters, can exhibit mutually independent properties as the parameters converge, all without the need for an encoding process. This approach, referred to as the Half-VAE, bypasses the inverse mapping process by eliminating the encoder. This study demonstrates the feasibility of using the Half-VAE to solve ICA without the need for an explicit inverse mapping process.

چکیده به فارسی (ترجمه ماشینی)

استنباط و مشکلات معکوس مفاهیم نزدیک به هم هستند ، هر دو اساساً شامل کسر دلایل ناشناخته یا پارامترهای داده های مشاهده شده هستند.استنباط بیزی ، یک طبقه قدرتمند از روش ها ، اغلب برای حل انواع مشکلات ، از جمله موارد مرتبط با استنتاج علیت ، استفاده می شود.استنباط متنوع ، زیر مجموعه ای از استنتاج بیزی ، در درجه اول برای تقریبی توزیع توزیع های پیچیده خلفی استفاده می شود.اتوآنمان های متغیر (VAES) ، که استنتاج متغیر را با یادگیری عمیق ترکیب می کنند ، در حوزه های مختلف به طور گسترده ای اعمال می شوند.این مطالعه به بررسی پتانسیل VAES برای حل مشکلات معکوس ، مانند تجزیه و تحلیل مؤلفه مستقل (ICA) ، بدون تکیه بر یک فرآیند نقشه برداری معکوس صریح.بر خلاف سایر روشهای ICA مبتنی بر VAE ، این رویکرد رمزگذار را در معماری VAE دور می کند و متغیرهای نهفته را به عنوان پارامترهای قابل آموزش تنظیم می کند.به عبارت دیگر ، متغیرهای نهفته دیگر خروجی رمزگذار نیستند بلکه در عوض مستقیماً از طریق عملکرد هدف بهینه می شوند تا به مقادیر مناسب تبدیل شوند.ما می دانیم که ، با یک تنظیم قبلی مناسب ، متغیرهای نهفته ، که توسط پارامترهای قابل آموزش نشان داده می شوند ، می توانند خصوصیات مستقل متقابل را نشان دهند زیرا پارامترها همگرا می شوند ، همه بدون نیاز به یک فرآیند رمزگذاری.این رویکرد ، که به آن نیمی از VAE گفته می شود ، با از بین بردن رمزگذار ، فرآیند نقشه برداری معکوس را دور می زند.این مطالعه امکان استفاده از Half-VAE برای حل ICA را بدون نیاز به یک فرآیند نقشه برداری معکوس صریح نشان می دهد.

📚 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.