شماره ركورد كنفرانس :
5466
عنوان مقاله :
تقريب پارامترهاي مدل‌هاي تصادفي: رويكرد شبكه‌هاي عصبي پيچشي
پديدآورندگان :
ابراهيمي اميرحسين Amirh.ebrahimi1377@gmail.com پژوهشگاه دانش‌هاي بنيادي،تهران،ايران , وفايي صفت هدي Hoda.vafaeisefat@gmail.com پژوهشگاه دانش‌هاي بنيادي،تهران،ايران , رحمتي دارا d_rahmati@sbu.ac.ir دانشگاه شهيد بهشتي،تهران،ايران
كليدواژه :
تقريب پارامتر , مدل‌هاي سري زماني , يادگيري عميق , شبكه پيچشي
عنوان كنفرانس :
پنجمين كنفرانس ملي انفورماتيك ايران
چكيده فارسي :
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 شبكه هاي عصبي رزنت كه با رفتار غير-خطي مدلها سازگارتر است، عملكرد مناسبي در تخمين پارامترهاي مدل هاي 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.
