دانلود مقاله انعطاف پذیری عمیق برای مدل عناوین
تعداد کلمات فایل انگلیسی:4782 کلمه 18صفحه pdf
تعداد صفحات فایل ترجمه:12صفحه word فونت14 Arial
چکیده – انعطاف پذیری عمیق، یک رویکرد برای ادغام مدل های تولیدی احتمالاتی و شبکه های عصبی قطعی را فراهم می کند. چنین رویکردی با نمودهای عمیق، تفسیر آسان، یادگیری انعطاف پذیر و مدل سازی تصادفی به دست می آید. در این تحقیق آموزش یادگیری تحت نظارت و نظارت نشده از مدل های عناوین گسترش یافته برای نمودها و نشان دادن آن و طبقه بندی سند آمده است. به طور متعارف، مدلهای عناوین نظارت نشده و تحت نظارت از طریق الگوریتم استنتاجی متغیر نتیجه گرفته می شوند که در آن پارامترهای مدل به ترتیب با حداکثر لگاریتم احتمال و با استفاده از اسناد ورودی بدون و با برچسب های طبقه بندی شده به کار می رود. قابلیت ارائه و یا دقت طبقه بندی پایین تر از حد مجاز است و پارامترهای مدل وابسته در روش استنتاج دارای محدودیت هستند. هدف مقاله این است که این محدودیت ها را به طور مستقیم با حداکثر رساندن معیار عملکرد پایانی مورد بررسی قرار دهد و به طور پیوسته از پارامترهای فرآیند یادگیری از طریق استنتاج عمیق (DUI) جدا شود. روش استنتاج به عنوان یادگیری لایه ای در یک شبکه عصبی عمیق در نظر گرفته شده است. عملکرد نهایی، با استفاده از پارامترهای موضوع برآورد شده و با توجه به بروز رسانی های تقویت شده، به طور تکراری بهبود می یابد. بنابراین درک عمیق از مدلهای عناوین، از طریق یک روش انتشار پسین اجرا می شود. نتایج تجربی نشان دهنده شایستگی DUI با افزایش تعداد لایه ها در مقایسه با تغییرات استنتاج در مدل های نظارت نشده و تحت نظارت است.
Deep Unfolding for Topic Models
Abstract—Deep unfolding provides an approach to integrate the probabilistic generative models and the deterministic neural networks. Such an approach is benefited by deep representation, easy interpretation, flexible learning and stochastic modeling. This study develops the unsupervised and supervised learning of deep unfolded topic models for document representation and classification. Conventionally, the unsupervised and supervised topic models are inferred via the variational inference algorithm where the model parameters are estimated by maximizing the lower bound of logarithm of marginal likelihood using input documents without and with class labels, respectively. The representation capability or classification accuracy is constrained by the variational lower bound and the tied model parameters across inference procedure. This paper aims to relax these constraints by directly maximizing the end performance criterion and continuously untying the parameters in learning process via deep unfolding inference (DUI). The inference procedure is treated as the layer-wise learning in a deep neural network. The end performance is iteratively improved by using the estimated topic parameters according to the exponentiated updates. Deep learning of topic models is therefore implemented through a back-propagation procedure. Experimental results show the merits of DUI with increasing number of layers compared with variational inference in unsupervised as well as supervised topic models
کد:2-12290
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله انعطاف پذیری عمیق برای مدل عناوین
تعداد کلمات فایل انگلیسی:4782 کلمه 18صفحه pdf
تعداد صفحات فایل ترجمه:12صفحه word فونت14 Arial
چکیده – انعطاف پذیری عمیق، یک رویکرد برای ادغام مدل های تولیدی احتمالاتی و شبکه های عصبی قطعی را فراهم می کند. چنین رویکردی با نمودهای عمیق، تفسیر آسان، یادگیری انعطاف پذیر و مدل سازی تصادفی به دست می آید. در این تحقیق آموزش یادگیری تحت نظارت و نظارت نشده از مدل های عناوین گسترش یافته برای نمودها و نشان دادن آن و طبقه بندی سند آمده است. به طور متعارف، مدلهای عناوین نظارت نشده و تحت نظارت از طریق الگوریتم استنتاجی متغیر نتیجه گرفته می شوند که در آن پارامترهای مدل به ترتیب با حداکثر لگاریتم احتمال و با استفاده از اسناد ورودی بدون و با برچسب های طبقه بندی شده به کار می رود. قابلیت ارائه و یا دقت طبقه بندی پایین تر از حد مجاز است و پارامترهای مدل وابسته در روش استنتاج دارای محدودیت هستند. هدف مقاله این است که این محدودیت ها را به طور مستقیم با حداکثر رساندن معیار عملکرد پایانی مورد بررسی قرار دهد و به طور پیوسته از پارامترهای فرآیند یادگیری از طریق استنتاج عمیق (DUI) جدا شود. روش استنتاج به عنوان یادگیری لایه ای در یک شبکه عصبی عمیق در نظر گرفته شده است. عملکرد نهایی، با استفاده از پارامترهای موضوع برآورد شده و با توجه به بروز رسانی های تقویت شده، به طور تکراری بهبود می یابد. بنابراین درک عمیق از مدلهای عناوین، از طریق یک روش انتشار پسین اجرا می شود. نتایج تجربی نشان دهنده شایستگی DUI با افزایش تعداد لایه ها در مقایسه با تغییرات استنتاج در مدل های نظارت نشده و تحت نظارت است.
Deep Unfolding for Topic Models
Abstract—Deep unfolding provides an approach to integrate the probabilistic generative models and the deterministic neural networks. Such an approach is benefited by deep representation, easy interpretation, flexible learning and stochastic modeling. This study develops the unsupervised and supervised learning of deep unfolded topic models for document representation and classification. Conventionally, the unsupervised and supervised topic models are inferred via the variational inference algorithm where the model parameters are estimated by maximizing the lower bound of logarithm of marginal likelihood using input documents without and with class labels, respectively. The representation capability or classification accuracy is constrained by the variational lower bound and the tied model parameters across inference procedure. This paper aims to relax these constraints by directly maximizing the end performance criterion and continuously untying the parameters in learning process via deep unfolding inference (DUI). The inference procedure is treated as the layer-wise learning in a deep neural network. The end performance is iteratively improved by using the estimated topic parameters according to the exponentiated updates. Deep learning of topic models is therefore implemented through a back-propagation procedure. Experimental results show the merits of DUI with increasing number of layers compared with variational inference in unsupervised as well as supervised topic models
کد:2-12290
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com