259
个编辑
更改
跳到导航
跳到搜索
第134行：
第134行： − 2）虽然我们可以说明什么是粗粒度函数，并将其清晰地分解为信息转换和信息丢弃两个部分，但变量的分组方法隐式编码在可逆神经网络中，宏观动力学学习器的机制也没有完全透明。框架仍然缺乏可解释性，+ + + − 3）模型需要基于马尔科夫性的假设。 − 4）此方法的数学形式是一个泛函问题，无法直接进行优化，虽然可以通过两个阶段得到结果，但是[[NIS]]没有真正地最大化有效信息。在NIS+中，学者将通过计算变分下界解决泛函问题。+ − 具体请阅读词条[[NIS]]。+
→NIS的缺陷
1）此框架目前只能在小数据集上使用，难以拓展到更大规模的复杂系统上。
1）此框架目前只能在小数据集上使用，难以拓展到更大规模的复杂系统上。
2）此方法的数学形式是一个泛函问题，无法直接进行优化，虽然可以通过两个阶段得到结果，但是[[NIS]]没有真正地最大化有效信息。在NIS+中，学者将通过计算变分下界解决泛函问题。
具体请阅读词条[[NIS]]。
<nowiki>***</nowiki>2）虽然我们可以说明什么是粗粒度函数，并将其清晰地分解为信息转换和信息丢弃两个部分，但变量的分组方法隐式编码在可逆神经网络中，宏观动力学学习器的机制也没有完全透明。框架仍然缺乏可解释性，
3）模型需要基于马尔科夫性的假设。
= 强化版神经信息压缩机（NIS+）=
= 强化版神经信息压缩机（NIS+）=