我正在努力在神经网络和图形模型之间建立数学联系。
在图形模型中,这个想法很简单:概率分布根据图中的派系分解,势通常为指数族。
神经网络是否有等效的推理?能否用受限的玻尔兹曼机或CNN表示单位(变量)上单位(变量)随其能量或单位之间能量乘积的概率分布?
另外,概率分布是否由指数族的RBM或深度信仰网络(例如带有CNN)建模?
我希望找到一种文本,这些文本以约旦和温赖特(Jordan&Wainwright)的图形模型,图形族,指数族和变分推论对图形模型所做的相同方式,来形式化这些现代神经网络和统计之间的联系。任何指针都很棒。
"using deep nets as factors in an MRF"
),而是更多关于如何将深网看作为一个概率因子图。当Yann LeCun's说时"of course deep Boltzmann Machines are a form of probabilistic factor graph themselves"
,我对数学上的联系感兴趣。
https://distill.pub/2017/feature-visualization/
(神经网络如何建立其对图像的理解),其中复杂的图像具有由隐藏层节点表示的组件对象。权重可以非离散方式“改变”“拓扑”。尽管我还没有看到,但是某些方法可能包括收缩因子以去除边缘并因此更改原始拓扑