Învățarea profundă bazată pe modele

Titlul original:

Model-Based Deep Learning

Conținutul cărții:

Prelucrarea semnalelor se bazează în mod tradițional pe tehnici clasice de modelare statistică. Astfel de metode bazate pe modele utilizează formulări matematice care reprezintă fizica de bază, informațiile anterioare și cunoștințele suplimentare din domeniu.

Modelele clasice simple sunt utile, dar sensibile la inexactități și pot duce la performanțe slabe atunci când sistemele reale prezintă un comportament complex sau dinamic. Mai recent, abordările de învățare profundă care utilizează rețele neuronale profunde (DNN) extrem de parametrice devin din ce în ce mai populare. Sistemele de învățare profundă nu se bazează pe modelarea matematică și își învață cartografierea din date, ceea ce le permite să funcționeze în medii complexe.

Cu toate acestea, ele nu au interpretabilitatea și fiabilitatea metodelor bazate pe modele, necesită de obicei seturi mari de formare pentru a obține performanțe bune și tind să fie complexe din punct de vedere al calculului.

Metodele de prelucrare a semnalelor bazate pe modele și învățarea profundă centrată pe date au fiecare avantajele și dezavantajele lor. Aceste paradigme pot fi caracterizate ca margini ale unui spectru continuu care variază în ceea ce privește specificitatea și parametrizarea.

Metodologiile care se află la mijlocul acestui spectru, integrând astfel procesarea semnalelor pe bază de model cu învățarea profundă, sunt denumite învățare profundă pe bază de model și sunt în centrul atenției aici. Această monografie oferă o prezentare în stil tutorial a metodologiilor de învățare profundă bazate pe modele. Acestea sunt familii de algoritmi care combină modele matematice bazate pe principii cu sisteme bazate pe date pentru a beneficia de avantajele ambelor abordări.

Astfel de metode de învățare profundă bazate pe modele exploatează atât cunoașterea parțială a domeniului, prin structuri matematice concepute pentru probleme specifice, cât și învățarea din date limitate. Monografia include exemple curente de procesare a semnalelor, în superrezoluție, urmărirea sistemelor dinamice și procesarea rețelelor. Este prezentat modul în care acestea sunt exprimate utilizând caracterizarea furnizată și specializată în fiecare dintre metodologiile detaliate.

Scopul este de a facilita proiectarea și studiul sistemelor viitoare la intersecția dintre procesarea semnalelor și învățarea automată, care încorporează avantajele ambelor domenii. Codul sursă al exemplelor numerice sunt disponibile și reproductibile ca notebook-uri Python.