مدل سازنده

در یادگیری ماشین، به طور کلی دو نوع اصلی از مدل ها وجود دارند: روش جداکننده و روش سازنده. روش جداکننده به حل مسائل طبقه بندی می پردازد اما روش سازنده به حل مسئله تولید یه نمونه جدید و تصادفی از یکی از طبقه ها می پردازد. به صورت آماری تمایز این دو روش به صورت زیر است:
• روش جداکننده: با استفاده از احتمال شرطی P ( Y ∣ X = x ) {\displaystyle P ( Y\mid X=x ) } و با توجه به مشاهدات انجام شده از X {\displaystyle X} که همان ویژگی هاست، کلاس مربوطه Y {\displaystyle Y} را می یابد. به عبارت ساده تر، رسیدن از ویژگی ها به کلاس است. [ ۱] [ ۲]
• روش سازنده: با استفاده از احتمال شرطی P ( X ∣ Y = y ) {\displaystyle P ( X\mid Y=y ) } و یک سری نویز به تولید مجموعه ای تصادفی از ویژگی ها می پردازد و به عبارتی یک نمونه تصادفی از کلاس دلخواه را تولید می کند. [ ۳]
درواقع، مدل های سازنده نسبت به مدل های جداکننده، کار دشوارتری را انجام می دهند. مدل های مولد باید بیشتر مدل کنند.
یک مدل سازنده برای تصاویر ممکن است همبستگی هایی مانند "چیزهایی که شبیه قایق هستند احتمالاً در نزدیکی چیزهایی که شبیه آب هستند ظاهر می شوند" و "چشم ها بعید است روی پیشانی ظاهر شوند" را ثبت کند که هر کدام توزیع های بسیار پیچیده ای دارند. در مقابل، یک مدل جداکننده ممکن است تفاوت بین "قایق بادبانی" یا "چیزی غیر از قایق بادبانی" را فقط با جستجوی چند الگوی گویا بیاموزد. این می تواند بسیاری از همبستگی هایی را که مدل سازنده باید درست انجام دهد نادیده بگیرد. مدل های جداکننده سعی می کنند مرزهایی را در فضای داده ترسیم کنند، در حالی که مدل های سازنده سعی می کنند نحوه قرارگیری داده ها در فضا را مدل کنند. به عنوان مثال، نمودار زیر مدل های متمایز و مولد ارقام دست نویس را نشان می دهد:
مدل جداکننده سعی می کند با کشیدن خطی در فضای داده تفاوت بین 0 و 1 های دست نویس را تشخیص دهد. اگر خط را به درستی پیدا کند، می تواند 0ها را از 1 تشخیص دهد بدون اینکه نیازی به دانستن دقیق محل نمونه ها در فضا باشد.
در مقابل، مدل سازنده سعی می کند با تولید ارقامی که نزدیک به همتایان واقعی خود در فضای داده قرار می گیرند، 1 و 0 قانع کننده تولید کند و در عمل، باید توزیع را در سراسر فضای داده مدل کند. [ ۴]