迈向构建基于贝叶斯因子图的深度网络

我们提出了一种基于简化正规形式因子图（FGrn）贝叶斯框架的多层网络，并将其应用于二维晶格。潜变量模型（LVM）是构建在代表图像像素、特征图或更一般地空间分布离散变量集合的底层随机变量之上的四叉树层次结构的基本构建块。该多层架构实现了一种分层数据表示，可通过信念传播用于学习和推理。典型用途包括模式补全、校正和分类。FGrn 范式提供了极大的灵活性和模块化，似乎是构建深度网络的有希望的候选者：该系统可以通过引入新的和不同类型的（在基数和类型上）变量轻松扩展。先验知识或监督信息可以在不同尺度上引入。FGrn 范式提供了一种便捷的方法来构建各种架构，仅需互连三种类型的单元：单输入单输出（SISO）模块、源和复制器。网络被设计为电路图形式，信念消息在整个系统中双向流动。学习算法仅在每个模块内部局部运行。本文在一个应用于从标准数据集提取的图像的三层结构中展示了该框架。