XiaoMi-AI文件搜索系统
World File Search SystemHaarnoja
改进了...
基于能量的模型（EBM）最近收到了感兴趣的插入量，并已应用于现实的图像产生（Han等，2019; Du＆Mordatch，2019年），3D形状形状的合成（Xie等，2018b），脱离分布和对抗性的鲁棒性（Lee等人，2018年； du＆Morth。 （Hinton，1999; Du等，2020a），记忆建模（Bartunov等，2019），文本生成（Deng等，2020），视频生成（Xie等，2017），增强学习（Haarnoja等人（Haarnoja et al。，2017; Du等，2019; Du等，protein; et et and of Focein; eft al。，protein Dive and Flive and Div）; Du等人，2020b）和生物学上的培训（Scellier＆Bengio，2017年）。对比性差异是（Hinton，2002）提出的训练EBM的流行而优雅的程序，可降低训练数据的能量并提高模型产生的采样综合的能量。模型进行了模型是通过MCMC过程（通常是Gibbs采样或Langevin Dynamics）生成的，从而利用了对采样和随机优化的广泛研究。对比差异的吸引力是其简单性和可扩展性。它不需要培训额外的辅助网络（Kim＆Bengio，2016; Dai等，2019）（引入其他调整和平衡需求），可以用来构成零射模型。
增强学习
强化学习（RL）借助深度神经网络中的广告，使多样化的学科中的重大分解。一些早期的亮点是在计算机游戏中（Mnih等，2015），国际象棋和GO（Silver等，2016）和机器人技术（Lillicrap等，2015; Haarnoja等，2018b）。最近的高光包括开发有效的算法，例如矩阵乘法（Fawzi等，2022）和分类（Mankowitz等，2023）。RL在天文学上也有一些应用。Telescope automation is closely related to robotics and RL can be used in telescope control including adaptive optics (Nousiainen et al., 2022; Landman et al., 2021; Nousiainen et al., 2021) and adaptive reflective surface control (Peng et al., 2022) as well as in observation scheduling (Jia et al., 2023a,b, 2022）。进一步向下数据流，RL已应用于射电天文数据处理管道（Yatawatta and Avruch，2021; Yatawatta，2023）进行超参数调整。将模范天文学视为从观察望远镜到科学家的数据流或信息，我们可以看到RL的更多应用以帮助和完善这种流程并激发该出版物。几种方法属于机器学习的伞（ML）：监督学习是最常用的方法，在该方法中既可以赋予计算机的输入和所需的输出，以学习执行某个任务。无监督