दैनिक अर्क्सिव

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

Takeaways, Limitations

Takeaways:
हम कठोर विश्लेषणात्मक परिणाम प्रस्तुत करते हैं जो सैद्धांतिक रूप से बहु-स्रोत शिक्षण के लाभों का समर्थन करते हैं।
बहु-स्रोत शिक्षण की प्रभावशीलता पर स्रोत वितरण की समानता और स्रोतों की संख्या के प्रभाव का मात्रात्मक विश्लेषण।
सशर्त गौसियन अनुमान और विभिन्न गहन जनरेटिव मॉडल (ऑटोरिग्रैसिव, ऊर्जा-आधारित मॉडल) पर सैद्धांतिक परिणामों का अनुप्रयोग।
प्रायोगिक सत्यापन और कोड के प्रकटीकरण के माध्यम से सिद्धांत का सत्यापन।
Limitations:
प्रस्तुत सिद्धांत की प्रयोज्यता उन मॉडलों तक सीमित हो सकती है जो ब्रैकेटिंग की संख्या की कुशलतापूर्वक गणना कर सकते हैं।
वास्तविक दुनिया के अनुप्रयोगों में विभिन्न सशर्त जनरेटिव मॉडलों की बहु-स्रोत सीखने की प्रभावशीलता के अधिक व्यापक प्रयोगात्मक सत्यापन की आवश्यकता है।
स्रोत वितरण के बीच समानता को मापने के तरीके पर और अधिक शोध की आवश्यकता है।
👍