مقاله ترجمه شده :مقایسه الگوریتم ها برای استنتاج و یادگیری در مدل گرافیکی احتمالی

چکیده فارسی :

در حال حاضر تحقیق درمورد روش استدلال تحت عدم قطعیت، تا حد زیادی به این دلیل که قابل ثبت شدن، ذخیره‌شدن، و پردازش حجم عظیمی از داده‌ها می‌باشد، یکی از مهیج‌ترین حوزه‌های هوش مصنوعی است. درحالی که دستاوردهای قابل توجه الگوی مسله‌های طبقه‌بندی مانند تشخیص کاراکترهای دست خط، تشخیص چهره، تشخیص صحبت‌کردن، و پیش‌بینی تابع ژن را ساخته اند، حتی جالب است که در آستانه معرفی سیستم محققین می‌توانند در مقیاس‌بزرگ تجزیه و تحلیل ترکیبی داده‌ها، تجزیه داده به درون اجزای تعاملی را انجام دهند. برای مثال، روش های محاسباتی  برای تحلیل صحنه در حال حاضر در جامعه بینایی کامپیوتر با هم ادغام شده‌اند.  این روش‌ها تصاویر ورودی را  به درون  اشیا تشکیل دهنده‌اش، شرایط نوری الگوی حرکتی و غیره تجزیه می‌کنند. دو چالش اصلی پیدا کردن نمایش و مدل موثر در برنامه‌های کاربردی ویژه و یافتن الگوریتم کارآمد برای استنتاج و یادگیری در این مدل‌ها می‌باشد. در این مقاله، از استفاده از مدل احتمالی مبتنی بر گراف و استنتاج های وابسته به آنها و الگوریتم‌های یادگیری حمایت می‌کنیم. تکنیک نهایی و  تقریب‌های مختلف،  تکنیک‌های موثر محاسباتی، شامل  حالت شرطی تکراری،  الگوریتم حداکثر انتظار (EM) ، نمونه سازی  Gibbs،  روش میدان میانگین، روش تغییرات، تکنیک تغییرات ساختاریافته و  الگوریتم جمع-ضرب را مورد بررسی قرار دادیم (انتشار عقیده “loopy”). و نیز شرح می‌دهیم که چگونه هرتکنیک  می‌تواند در مدل بینایی  متعدد، مسدود کردن اشیا و و ساختن رفتار و عملکرد تکنیک‌ها با استفاده از  تابع هزینه واحد، انرژی آزاد بکار گرفته شده‌است.

کلمات شاخص: مدل گرافیکی ، شبکه بیز ، مدل احتمال ، استنتاج احتمالاتی ، استدلال ، یادگیری ، روش بیزی،  تکنیک تغییرات ، الگوریتم تولید مجموع ، انتشار عقیده loopy ، الگوریتم EM ، میدان میانگین ، نمونه سازی Gibbs ، انرژی آزاد ،  انرژی آزاد Gibbs ، انرژی آزاد Bethe .

چکیده انگلیسی:

Research into methods for reasoning under uncertainty is currently one of the most exciting areas of artificial intelligence, largely because it has recently become possible to record, store, and process large amounts of data. While impressive achievements have been made in pattern classification problems such as handwritten character recognition, face detection, speaker identification, and prediction of gene function, it is even more exciting that researchers are on the verge of introducing systems that can perform large-scale combinatorial analyses of data, decomposing the data into interacting components. For example, computational methods for automatic scene analysis are now emerging in the computer vision community. These methods decompose an input image into its constituent objects, lighting conditions, motion patterns, etc. Two of the main challenges are finding effective representations and models in specific applications and finding efficient algorithms for inference and learning in these models. In this paper, we advocate the use of graph-based probability models and their associated inference and learning algorithms. We review exact techniques and various approximate, computationally efficient techniques, including iterated conditional modes, the expectation maximization (EM) algorithm, Gibbs sampling, the mean field method, variational techniques, structured variational techniques and the sum-product algorithm, “loopy” belief propagation.We describe how each technique can be applied in a vision model of multiple, occluding objects and contrast the behaviors and performances of the techniques using a unifying cost function, free energy.
Index Terms—Graphical models , Bayesian networks , probability models , probabilistic inference , reasoning , learning , Bayesian methods , variational techniques , sum-product algorithm , loopy belief propagation , EM algorithm , mean field , Gibbs sampling , free energy , Gibbs free energy , Bethe free energy.