यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
एकाधिक डेटा स्रोतों पर सशर्त जनरेटिव मॉडलिंग के लिए एक सिद्धांत
Created by
Haebom
लेखक
रोंगज़ेन वांग, यान झांग, चेनयु झेंग, चोंगक्सुआन ली, गुओकियांग वू
रूपरेखा
यह पत्र बहु-स्रोत डेटा का उपयोग करके सशर्त जनरेटिव मॉडलिंग में बहु-स्रोत सीखने का कठोर विश्लेषण प्रदान करने वाला पहला है। सशर्त जनरेटिव मॉडलिंग में जहां प्रत्येक स्थिति एक अलग डेटा स्रोत का प्रतिनिधित्व करती है, हम ब्रैकेटिंग संख्याओं का उपयोग करके सशर्त अधिकतम संभावना अनुमान के आधार पर औसत कुल विचरण दूरी में एक सामान्य वितरण अनुमान त्रुटि सीमा स्थापित करते हैं। हम दिखाते हैं कि जब स्रोत वितरण के बीच एक निश्चित समानता होती है और मॉडल पर्याप्त रूप से अभिव्यंजक होता है, तो बहु-स्रोत सीखना एकल-स्रोत सीखने की तुलना में अधिक स्पष्ट सीमा की गारंटी देता है। इसके अलावा, हम ब्रैकेटिंग संख्याओं को चिह्नित करके सशर्त गौसियन अनुमान और गहन जनरेटिव मॉडल, ऑटोरिग्रैसिव और लचीले ऊर्जा-आधारित मॉडल सहित, पर सामान्य सिद्धांत को औपचारिक रूप देते हैं। परिणाम इस बात पर जोर देते हैं कि स्रोतों की संख्या और स्रोत वितरण के बीच समानता बहु-स्रोत सीखने के लाभों को बढ़ाती है ।
