Following Helmholtz, we view the hu

Following Helmholtz, we view the human perceptual system as a statistical
inference engine whose function is to infer the probable causes
of sensory input. We show that a device of this kind can learn how to
perform these inferences without requiring a teacher to label each sensory
input vector with its underlying causes. A recognition model is used
to infer a probability distribution over the underlying causes from the
sensory input, and a separate generative model, which is also learned, is
used to train the recognition model (Zemel 1994; Hinton and Zemel 1994;
Zemel and Hinton 1995).
As an example of the generative models in which we are interested,
consider the shift patterns in Figure 1, which are on four 1 x 8 rows of
binary pixels. These were produced by the two-level stochastic hierarchical
generative process described in the figure caption. The task of
learning is to take a set of examples generated by such a process and
induce the model. Note that underlying any pattern there are multiple

ผลลัพธ์ (ไทย) 1:

ต่อ Helmholtz เราดูมนุษย์รับรู้ระบบการทางสถิติสรุปเครื่องมือที่มีฟังก์ชั่นคือการ อนุมานสาเหตุ probableป้อนข้อมูลความรู้สึก เราแสดงว่า อุปกรณ์ชนิดนี้สามารถเรียนรู้วิธีการทำ inferences เหล่านี้โดยไม่ต้องมีครูเพื่อรับความรู้สึกแต่ละป้ายชื่อเวกเตอร์อินพุต ด้วยสาเหตุของ ใช้แบบจำลองการรับรู้เราจะเข้าใจการกระจายความน่าเป็นมากกว่าสาเหตุจากการป้อนข้อมูลทางประสาทสัมผัส และแยกส่วนแบบ ซึ่งจะยังได้เรียนรู้ใช้ในการฝึกการรู้จำรูปแบบ (Zemel 1994 Hinton และ Zemel 1994Zemel และ Hinton 1995)ส่วนรุ่นที่เราสนใจ ตัวอย่างเช่นพิจารณารูปแบบกะในรูปที่ 1 ซึ่งอยู่บนแถวสี่ 1 x 8พิกเซลไบนารี เหล่านี้ผลิต โดยสองระดับ stochastic แบบลำดับชั้นกระบวนการส่วนที่อธิบายไว้ในคำอธิบายเฉพาะรูป งานของการเรียนรู้คือการ ใช้ชุดของตัวอย่างที่เกิดขึ้นจากกระบวนการดังกล่าว และทำให้เกิดรูปแบบ พื้นฐานรูปแบบใด ๆ มีหลาย

ผลลัพธ์ (ไทย) 2:

ต่อไปนี้ Helmholtz เราดูระบบการรับรู้ของมนุษย์เป็นสถิติ
กลไกการอนุมานที่มีฟังก์ชั่นเพื่อสรุปสาเหตุที่น่าจะเป็น
ของประสาท เราแสดงให้เห็นว่าอุปกรณ์ชนิดนี้สามารถเรียนรู้วิธีการที่จะ
ดำเนินการหาข้อสรุปเหล่านี้โดยไม่ต้องมีครูที่จะติดป้ายแต่ละประสาทสัมผัส
เวกเตอร์การป้อนข้อมูลที่มีสาเหตุของมัน รูปแบบการรับรู้ถูกนำมาใช้
เพื่อสรุปการกระจายความน่าจะเป็นมากกว่าสาเหตุจาก
ประสาทและรูปแบบการกำเนิดที่แยกต่างหากซึ่งจะเรียนรู้นอกจากนี้ยังถูก
นำมาใช้ในการฝึกอบรมรูปแบบการรับรู้ (Zemel ปี 1994 ฮินตันและ Zemel ปี 1994
Zemel และฮินตัน 1995 ).
ในฐานะที่เป็นตัวอย่างของแบบจำลองกำเนิดในการที่เรามีความสนใจการ
พิจารณารูปแบบการเปลี่ยนแปลงในรูปที่ 1 ซึ่งเป็นสี่ 1 x 8 แถวของ
พิกเซลไบนารี เหล่านี้ถูกผลิตโดยสองระดับลำดับชั้นสุ่ม
กระบวนการกำเนิดอธิบายไว้ในคำบรรยายภาพร่าง งานของ
การเรียนรู้คือการใช้ชุดของตัวอย่างที่เกิดขึ้นจากกระบวนการดังกล่าวและ
ทำให้เกิดรูปแบบ โปรดทราบว่าพื้นฐานรูปแบบใด ๆ ที่มีหลาย

ผลลัพธ์ (ไทย) 3:

ต่อไปนี้ เฮล์มโฮลทซ์ เราดูระบบการรับรู้ของมนุษย์เป็นสถิติการอนุมานเครื่องยนต์ที่มีฟังก์ชันการอนุมานสาเหตุที่น่าจะเป็นไปได้คือของความรู้สึกที่เข้ามา เราพบว่าอุปกรณ์ชนิดนี้สามารถเรียนรู้วิธีการการใช้ เหล่านี้ โดยไม่ต้องมีครูที่ติดป้ายแต่ละทางประสาทสัมผัสข้อมูลเชิงเส้นที่มีสาเหตุเป็นต้น การรับรู้รูปแบบใช้การอนุมานการแจกแจงความน่าจะเป็นมากกว่า สาเหตุจากความรู้สึกที่เข้ามาและแยกเข้าโมเดล ซึ่งยังได้เรียนรู้ คือใช้ในการฝึกการจดจำรูปแบบ ( เซเมล 1994 ; เด็กและ เซเมล 1994 ;ซีเมล และ ฮินตัน ปี 2538 )เป็นตัวอย่างของการเข้า รุ่นที่เราสนใจพิจารณาเปลี่ยนรูปแบบในรูปที่ 1 ซึ่งเป็น 1 ใน 4 x 8 แถวพิกเซลแบบไบนารี เหล่านี้ถูกผลิตโดยทั้งสองระดับ Stochastic ระดับลดหลั่นเข้ากระบวนการที่อธิบายไว้ในรูปพิธีกร . งานของการเรียนรู้คือการใช้ชุดของตัวอย่างที่เกิดจากกระบวนการดังกล่าว และก่อให้เกิดรูปแบบ หมายเหตุ สำหรับรูปแบบใด ๆ มีหลาย