Index
エネルギーベースモデル / Energy Based Model / EBM
データ の生成モデルの確率分布 は、次のように表現したとする.
エネルギー関数
分配関数
分配関数は、とりうるすべてのデータについての積分が必要であるため、一般に計算が困難.
メリット / デメリット
メリット
エネルギーベースモデルは、次元間の任意の関係をエネルギー関数内で、
自由に記述できる.
また、エネルギー関数は、確率分布としての制約がなく、自由な値を取ることができる.
デメリット
分配関数を求める必要がでてくる.
学習方法
尤度ベースモデルの考え方.
- 尤度ベースモデル
次の目的関数 を最大化することを考える.
を最大化するパラメータとは、
- 第1項より、訓練データの位置のエネルギーを低くする
- 第2項より、その他のすべての位置のエネルギーを高くする
のような条件を求められる.
MCMC 法
分配関数の困難を回避した上でサンプリングできる方法として、マルコフ連鎖モンテカルロ法がある.
メリット
- 尤度比さえ求まれば、サンプリングすることができる
- 尤度比には分配関数は打ち消されて登場しないため、分配関数を求められない場合でも実行できる
- 課題
- サンプリング効率
- 確率分布が多峰性をもつ場合、それらの峰を網羅することは難しい
スコアベースモデル
スコアを導入する.
- スコアベースモデル
応用
Restricted Boltzmann Machine / RBM
RBMから考えるDeep Learning ~黒魔術を添えて~
RBM(Restricted Boltzmann Machine)とは
参考
書籍
Web サイト
- [DL輪読会]近年のエネルギーベースモデルの進展