11601

شبكه هاي مولد مبتني بر جريان

1400

دكتر شاهرخ فرهمند

چارچوب هاي فراواني براي مدل هاي مولد وجود دارند كه هر كدام با الگوريتم هاي يادگيري و روش استنتاج خاص خود مطرح ميشوند. با وجود پيشرفت هاي فراوان در اين حوزه طي سال هاي متمادي، روش هاي موجود و مدلهاي احتمالي در ابعاد بالا به مشكلات فراواني برميخورند. چراكه عموما مدلسازي توزيع هاي احتمالاتي در فضاهايي با ابعاد بالا، با توجه به امكان تشكيل شدن تركيبي از حالت هاي مختلف 4بسيار سخت است. اين اختلاط بين حالت ها به طور كلي بدون داشتن دانش قبلي از ساختار پنهان توزيع احتمالاتي باعث كند شدن الگوريتم هاي موجود ميشود. در سال هاي اخير، در كنار رويه هاي موجود، روش هاي مبتني بر يادگيري تقويتي و يادگيري تقويتي عميق براي حل مشكلات مطرح شده اتخاذ شده اند. با اين وجود، روش هاي مبتني بر يادگيري تقويتي با توجه به ماهيت شان كه بيشينه سازي يك تابع پاداش خاص صرفا در حالت هاي انتهايي 8است از عدم وجود تنوع در نمونه برداري رنج ميبرند. شبكه هاي مولد مبتني بر جريان اخيراً به عنوان مدل هايي براي يادگيري تصادفي پيشنهاد شده اند. اين مدل ها، خط مشي هايي اند كه اشياء تركيبي را با دنباله اي از اقدامات با احتمال متناسب با يك تابع پاداش معين توليد مي كنند. بنابراين، اين رويكردها، كاوش پرهزينه روش هاي موجود را به تعداد ثابتي از اقدامات نمونه برداري شده از يك شبكه مولد مبتني بر جريان مستهلك ميكنند. در اين سمينار قصد داريم به معرفي دقيق روش هاي مولد مبتني برجريان و همچنين بررسي مقالات و روش هاي اتخاذي در اين حوزه بسيار به روز بپردازيم

12/21/2022 12:00:00 AM

77363

1401/10/09

Generative Flow Networks

مدل هاي مولد , نمونه برداري در ابعاد بالا , شبكه هاي مولد مبتني بر جريان

Generative Models , Generative Flow Networks , Sampling