28
kondisional yang dapat dikaitkan dengan kedua transmisi dan emisi matriks, atau
dengan
representasi
fungsionalnya. Dalam
kasus
NNS,
berasal
dari
penggunaan
fungsi
aktivasi nonlinier.
Interpretability. Kalman
filter mungkin
yang paling
ditafsirkan
dari
teknik pemodelan. Dalam banyak aplikasi, matriks terlibat adalah
dirancang
dengan
tangan
yang
tidak
jauh
dari
hukum-hukum
fisika
yang
dikenal
dll.
Parameter
yang terkait dengan HMMs
yang ditafsirkan sejauh
mereka
jelas, diberi
label
sebagai
transisi
\
"atau
\
emisi"
probabilitas,
tetapi
keadaan
bagian
HMM
yang
tidak
selalu memiliki interpretasi yang jelas, terutama setelah pelatihan.
Jaringan
saraf
adalah
karena
sering
ditafsirkan
setidaknya
unit
tersembunyi tidak
ditugaskan. Artinya, apapun baik sebelum atau sesudah pelatihan. Bagaimanapun
Juga adapengecualian.
Factorization.
Ada
variasi
yang
luas
dalam
tingkat
faktorisasi dikenakan oleh
teknik-teknik pemodelan
yang berbeda-beda, dan
variabilitas
meningkat dengan derajat
tertentu bila ada
yang bersedia untuk
memodifikasi sistem
“plain
vanilla” . Kasus paling
sederhana
untuk
mengatasinya adalah Kalman
filters, dimana
vektoralisasi keadaan dan
observasi
pengamatan
secara
factor
inheren.
Sejauh
bahwa
matriks
yang
jarang,
faktorisasi
juga
mengarah
ke
pengurangan jumlah
parameter.
Jaringan saraf
dasar
factorized dalam
keadaan
diwakili
dengan
pendistribusian
busana
oleh
sejumlah
besar
node,
tetapi,
jika
ada
interkoneksi
lengkap
antara
node
dalam
lapisan
berturut-turut, jumlah
parameter
adalah
jumlah
kuadrat
dalam
keadaan,
dan skalabilitas
sangat terbatas. (Pemangkasan
teknik dan berat-pembusukan dapat
 |