تقريب پارامتر‌‌هاي مدل‌هاي تصادفي: رويكرد شبكه‌هاي عصبي پيچشي

امروزه مدل‎‌هاي زيادي وجود دارند كه هركدام رفتار يك فرايند‎‎‌ طبيعي را توصيف مي‌كنند. براي بررسي اين رفتار‎‌ها از مدل‌هاي رياضي مانند معادلات ديفرانسيل معمولي كمك گرفته مي‌شود. اين مدل‎‌ها معمولاً بسيار پيچيده و شامل تعداد زيادي از پارامترهاي نامعلوم هستند و تابع درست‎نمايي آن‎ها از لحاظ محاسباتي قابل حل نيست. تحت اين شرايط تقريب پارامتر‎‌ها بدليل پيچيدگي و نبودن داده‎‌هاي كافي كار نچندان ساده‎اي مي‌‎باشد. در شبكه‎‌هاي عصبي روش‎‌هاي مختلفي براي حل تقريب محاسبات بيزي وجود دارد. مانند يادگيري ماشين، يادگيري عميق و ... . در اين مقاله با استفاده از يك نوع معماري خاص در شبكه‎‌هاي عصبي به نام شبكه‎هاي عصبي رزنت كه با رفتار غير-خطي مدل‎‌ها سازگارتر است، عملكرد مناسبي در تخمين پارامتر‎‌هاي مدل‎هاي فرآيندها بدست آمده است. طبق معيار واريانس ناهماهنگ معماري رزنت توانسته است براي يكي از مدل‎هاي پيچيده به نام مدل رانش انتشار فروپاشي به مقدار 0.87 نسبت به معماري استنتاج-عميق بهتر عمل كند. اگر به سراغ مدل‎هاي ساده تر برويم اين پيشرفت به مقدار بالاتري هم مي‎رسد.