Aprendizaje profundo basado en modelos

El procesamiento de señales tradicionalmente se basa en técnicas clásicas de modelado estadístico. Estos métodos basados en modelos utilizan formulaciones matemáticas que representan la física subyacente, información previa y conocimiento adicional del dominio. Los modelos clásicos simples son útiles pero sensibles a las imprecisiones y pueden conducir a un rendimiento deficiente cuando los sistemas reales muestran un comportamiento complejo o dinámico. Más recientemente, los enfoques de aprendizaje profundo que utilizan redes neuronales profundas (DNN) altamente paramétricas se están volviendo cada vez más populares. Los sistemas de aprendizaje profundo no se basan en el modelado matemático y aprenden su mapeo a partir de datos, lo que les permite operar en entornos complejos. Sin embargo, carecen de la interpretabilidad y fiabilidad de los métodos basados en modelos, típicamente requieren grandes conjuntos de entrenamiento para obtener un buen rendimiento y tienden a ser computacionalmente complejos. Los métodos de procesamiento de señales basados en modelos y el aprendizaje profundo centrado en datos tienen sus pros y sus contras. Estos paradigmas pueden caracterizarse como extremos de un espectro continuo que varía en especificidad y parametrización. Las metodologías que se encuentran en el punto medio de este espectro, integrando así el procesamiento de señales basado en modelos con el aprendizaje profundo, se denominan aprendizaje profundo basado en modelos, y son el enfoque aquí. Esta monografía presenta una exposición de estilo tutorial de las metodologías de aprendizaje profundo basado en modelos. Estas son familias de algoritmos que combinan modelos matemáticos basados en principios con sistemas basados en datos para beneficiarse de las ventajas de ambos enfoques. Dichos métodos de aprendizaje profundo basado en modelos explotan tanto el conocimiento parcial del dominio, a través de estructuras matemáticas diseñadas para problemas específicos, como el aprendizaje a partir de datos limitados. La monografía incluye ejemplos de procesamiento de señales en superresolución, seguimiento de sistemas dinámicos y procesamiento de arreglos. Se muestra cómo se expresan utilizando la caracterización proporcionada y se especializan en cada una de las metodologías detalladas. El objetivo es facilitar el diseño y el estudio de futuros sistemas en la intersección del procesamiento de señales y el aprendizaje automático que incorporen las ventajas de ambos dominios. El código fuente de los ejemplos numéricos está disponible y es reproducible como cuadernos de Python.

Autor: Nir Shlezinger, Yonina C. Eldar
Editorial: Now Publishers
Publicado: 21/08/2023
Páginas: 138
Tipo de encuadernación: Tapa blanda
Peso: 0.45lbs
Tamaño: 9.21h x 6.14w x 0.30d
ISBN13: 9781638282648
ISBN10: 1638282641
Categorías BISAC:
- Tecnología e ingeniería | Señales y procesamiento de señales