확률적 비선형 결합 ODE를 훈련하여 분류하고 생성하기

초록 분류 및 생성 모드에서 작동하도록 훈련될 수 있는 일반적 동적 시스템 클래스가 소개됩니다. 결정론적 모델의 비대칭 정적 유인점을 심는 절차가 제안됩니다. 동적 시스템을 최적화하는 것은 아이템이 속하는 클래스의 함수로서 지정된 평형 상태를 향해 진화를 유도하기 위해 노드 간 연결의 구조를 형성하는 것을 의미합니다. 확률적 관점에서 점 유인점은 확률 분포로 변환되며, 선형 잡음 근사를 통해 분석적으로 접근 가능해집니다. 잡음의 추가는 일반적인 손상에 대한 강인성을 융합하는 데 유리함을 증명하며, 이는 훈련된 인접 행렬에 새겨지며 따라서 최적화된 확률적 모델의 결정론적 대응으로도 상속됩니다. 타겟 분포에서 샘플을 피드포워드 신경망(또는 분류 목적을 위해 채택된 동일한 유형의 동적 모델)에 입력으로 제공하면 완전한 생성 프로세스가 생성됩니다. 분류 및 생성 모드를 결합함으로써 조건부 생성도 가능합니다. 마지막으로 분리된 주요 특징의 자동 분리가 증명됩니다.