259
个编辑
更改
无编辑摘要
对于式{{EquationNote|1}}的求解，[[NIS]]率先给出了神经网络求解的方案，如下图所示：
对于式{{EquationNote|1}}的求解，[[NIS]]率先给出了神经网络求解的方案，如下图所示：
[[文件:NIS Graph 1.png|600px|神经信息压缩器的工作流程和框架。]]
[[文件:Image00.png|无框|600x600像素]]
图中，模型输入是微观状态<math>x_t </math>，<math>ϕ </math>是粗粒化函数（编码器），得到宏观变量<math>y_t </math>。<math>f </math>是动力学学习器，在宏观层面上学习有效的马尔可夫动力学。<math>{y}_{t+1} </math>是通过[math]f[/math]预测的t+1时刻的宏观状态。由于此时数据经过降维操作，为了使用反粗粒化函数<math>ϕ^† </math>（解码器），模型需要用高斯随机向量<math>N(0,I) </math>填充维度不足的数据。宏观变量经过反粗粒化函数之后可以得到预测的微观变量<math>\hat{x}_{t+1} </math>。而<math>x_{t+1} </math>和<math>\hat{x}_{t+1} </math>之间的差值<math>Loss </math>即为预测损失评估值，可以用来训练整个网络架构。
图中，模型输入是微观状态<math>x_t </math>，<math>ϕ </math>是粗粒化函数（编码器），得到宏观变量<math>y_t </math>。<math>f </math>是动力学学习器，在宏观层面上学习有效的马尔可夫动力学。<math>{y}_{t+1} </math>是通过[math]f[/math]预测的t+1时刻的宏观状态。由于此时数据经过降维操作，为了使用反粗粒化函数<math>ϕ^† </math>（解码器），模型需要用高斯随机向量<math>N(0,I) </math>填充维度不足的数据。宏观变量经过反粗粒化函数之后可以得到预测的微观变量<math>\hat{x}_{t+1} </math>。而<math>x_{t+1} </math>和<math>\hat{x}_{t+1} </math>之间的差值<math>Loss </math>即为预测损失评估值，可以用来训练整个网络架构。