Apprendimento profondo basato su modelli

Titolo originale:

Model-Based Deep Learning

Contenuto del libro:

L'elaborazione dei segnali si basa tradizionalmente su tecniche classiche di modellazione statistica. Tali metodi basati su modelli utilizzano formulazioni matematiche che rappresentano la fisica sottostante, le informazioni preliminari e le conoscenze aggiuntive del dominio.

I modelli classici semplici sono utili ma sensibili alle imprecisioni e possono portare a scarse prestazioni quando i sistemi reali mostrano un comportamento complesso o dinamico. Più recentemente, si stanno diffondendo approcci di deep learning che utilizzano reti neurali profonde (DNN) altamente parametriche. I sistemi di apprendimento profondo non si basano sulla modellazione matematica e apprendono la loro mappatura dai dati, il che consente loro di operare in ambienti complessi.

Tuttavia, non hanno l'interpretabilità e l'affidabilità dei metodi basati su modelli, richiedono in genere grandi serie di addestramenti per ottenere buone prestazioni e tendono a essere computazionalmente complessi.

I metodi di elaborazione del segnale basati su modelli e il deep learning incentrato sui dati hanno ciascuno i propri pro e contro. Questi paradigmi possono essere caratterizzati come bordi di uno spettro continuo che varia in specificità e parametrizzazione.

Le metodologie che si collocano nella zona intermedia di questo spettro, integrando l'elaborazione del segnale basata su modelli con l'apprendimento profondo, sono denominate apprendimento profondo basato su modelli e sono oggetto del presente lavoro. Questa monografia fornisce una presentazione in stile tutorial delle metodologie di deep learning basate su modelli. Si tratta di famiglie di algoritmi che combinano modelli matematici di principio con sistemi data-driven per beneficiare dei vantaggi di entrambi gli approcci.

Questi metodi di deep learning basati su modelli sfruttano sia la conoscenza parziale del dominio, attraverso strutture matematiche progettate per problemi specifici, sia l'apprendimento da dati limitati. La monografia include esempi di elaborazione del segnale in esecuzione, nella super-risoluzione, nel tracciamento di sistemi dinamici e nell'elaborazione di array. Viene mostrato come vengono espressi utilizzando la caratterizzazione fornita e specializzata in ciascuna delle metodologie dettagliate.

L'obiettivo è quello di facilitare la progettazione e lo studio di sistemi futuri all'intersezione tra l'elaborazione del segnale e l'apprendimento automatico che incorporino i vantaggi di entrambi i domini. Il codice sorgente degli esempi numerici è disponibile e riproducibile come notebook Python.