更改

在实践中，为了减轻机器学习的压力，作者先让模型学到比较靠谱的编码策略，然后通过反向动力学将编码策略调整至最优解。NIS+的训练过程分为两个阶段。

在实践中，为了减轻机器学习的压力，作者先让模型学到比较靠谱的编码策略，然后通过反向动力学将编码策略调整至最优解。NIS+的训练过程分为两个阶段。

第一阶段：只训练前向神经网络，最小化预测误差<math>w(\boldsymbol{x}_t)\parallel\boldsymbol{y}_t-g(\boldsymbol{y}_{t+1})\parallel </math>。

第一阶段：只训练前向神经网络，最小化预测误差<math>\parallel\hat{x}_{t+1}-\boldsymbol{x}_{t+1}\parallel </math>。

第二阶段，训练反向神经网络和前向神经网络，本质上是用于训练<math>

第二阶段，训练反向神经网络和前向神经网络，本质上是用于训练<math>

\phi_{ω}

\phi_{ω}

</math>。在此过程中，用<math>λ </math>来平衡前向神经网络预测误差<math>w(\boldsymbol{x}_t)\parallel\boldsymbol{y}_t-g(\boldsymbol{y}_{t+1})\parallel </math>和反向神经网络预测误差<math>\parallel\hat{x}_{t+1}-\boldsymbol{x}_{t+1}\parallel </math>。在不同的实验中，根据超参数搜索法，<math>λ </math>取不同的值。

</math>。在此过程中，用<math>λ </math>来平衡前向神经网络预测误差<math>\parallel\hat{x}_{t+1}-\boldsymbol{x}_{t+1}\parallel </math>和反向神经网络预测误差<math>w(\boldsymbol{x}_t)\parallel\boldsymbol{y}_t-g(\boldsymbol{y}_{t+1})\parallel </math>。在不同的实验中，根据超参数搜索法，<math>λ </math>取不同的值。

在整个模型的训练过程中，总的目标如式{{EquationNote|3}}。

在整个模型的训练过程中，总的目标如式{{EquationNote|3}}。