Model-Based Deep Learning
Przetwarzanie sygnałów tradycyjnie opiera się na klasycznych technikach modelowania statystycznego. Takie metody oparte na modelach wykorzystują formuły matematyczne, które reprezentują podstawową fizykę, wcześniejsze informacje i dodatkową wiedzę o domenie.
Proste klasyczne modele są użyteczne, ale wrażliwe na niedokładności i mogą prowadzić do słabej wydajności, gdy rzeczywiste systemy wykazują złożone lub dynamiczne zachowanie. Ostatnio coraz popularniejsze stają się podejścia oparte na głębokim uczeniu, które wykorzystują wysoce parametryczne głębokie sieci neuronowe (DNN). Systemy głębokiego uczenia nie opierają się na modelowaniu matematycznym i uczą się swojego mapowania na podstawie danych, co pozwala im działać w złożonych środowiskach.
Brakuje im jednak interpretowalności i niezawodności metod opartych na modelach, zazwyczaj wymagają dużych zestawów treningowych, aby uzyskać dobrą wydajność, i mają tendencję do złożoności obliczeniowej.
Metody przetwarzania sygnałów oparte na modelach i głębokie uczenie skoncentrowane na danych mają swoje wady i zalety. Paradygmaty te można scharakteryzować jako krawędzie ciągłego spektrum różniące się specyfiką i parametryzacją.
Metodologie, które leżą pośrodku tego spektrum, integrując w ten sposób przetwarzanie sygnałów oparte na modelach z głębokim uczeniem się, są określane jako głębokie uczenie się oparte na modelach i są tutaj przedmiotem zainteresowania. Niniejsza monografia przedstawia metodologie głębokiego uczenia oparte na modelach w formie samouczka. Są to rodziny algorytmów, które łączą zasadnicze modele matematyczne z systemami opartymi na danych, aby korzystać z zalet obu podejść.
Takie oparte na modelach metody głębokiego uczenia wykorzystują zarówno częściową wiedzę dziedzinową, poprzez struktury matematyczne zaprojektowane dla konkretnych problemów, jak i uczenie się na podstawie ograniczonych danych. Monografia zawiera działające przykłady przetwarzania sygnałów, w super-rozdzielczości, śledzeniu systemów dynamicznych i przetwarzaniu macierzy. Pokazano, w jaki sposób są one wyrażane za pomocą dostarczonej charakterystyki i wyspecjalizowane w każdej ze szczegółowych metodologii.
Celem jest ułatwienie projektowania i badania przyszłych systemów na przecięciu przetwarzania sygnałów i uczenia maszynowego, które wykorzystują zalety obu dziedzin. Kod źródłowy przykładów numerycznych jest dostępny i możliwy do odtworzenia jako notatniki Pythona.