<mark id="oztn4"></mark>
0
字幕組雙語原文：生成模型和判定模型的內部指南
英語原文：The Insiders’ Guide to Generative and Discriminative Machine Learning Models
翻譯：AI研習社（季一帆）
在本文中，我們將討論生成模型和判別模型之間的差異、形成原因及相關內容。
判別式機器學習在可能的輸出選擇中確定輸出。該過程根據給定的數據進行訓練，從而學習模型參數，以最大化聯合概率P(X,Y)。
分類有時被稱為判別模型，這有一定道理，畢竟分類模型就是要到輸入實例的類別進行判斷。
無監督模型一般會對輸入變量的分布進行學習，并能夠根據輸入分布創建或生成新的實例，類似這樣的模型稱為生成式模型。
對于變量分布已知的情況，如高斯分布。
由于生成模型能夠總結數據分布，因此可以根據輸入變量分布生成新變量。
在這種情況下，生成模型可能非常適合，而使用判別模型的化則會使問題復雜化，反之亦然。
例如對于條件預測任務，判別模型表現顯著優于生成模型，同時具有更好的正則性。
看這樣一個例子：有Tony和Mark兩個小朋友，他們要在寵物商店中分辨出小貓和小狗。對于寵物，我們假定它們包含顏色、大小、眼睛顏色、毛發長短和叫聲等特征。
給Mark兩張照片，一張是貓，一張是狗，Mark要做出判斷。他想到可以根以下條件進行判斷：如果叫聲是“喵喵”、眼睛是藍色或綠色、具有褐色或黑色的條紋，則大概率會是貓。根據這樣的簡單規則，Mark可以容易的識別出貓或狗。
Tony的任務可沒這么簡單。不是要他判斷圖片中是貓還是狗，而是要在兩張白紙上畫出貓和狗的樣子。Tony能夠畫出貓和狗的樣子，那么給他展示圖片，他也很容易的區分出圖中是貓還是狗。可以看到，相比Mark的方法，Tony的方法更加耗時。
假設只有貓狗兩種寵物。如果一張圖片上是藍眼睛、棕色條紋的狗，那么Mark可能會將其標記為貓，但Tony可以判斷出圖片中一定是狗。
如果Tony對貓和狗的特征了解的更多，他能夠繪制出更詳細準確的圖畫。但是，如果提供足夠多的貓狗數據集，那么Mark會表現得更好。
Mark的判斷方法就是認真的觀察，總結能夠區分的特征，但過多的復雜特征會導致過擬合，但Tony不會遇到這種情況。
如果在訪問寵物商店之前，他們沒有任何信息呢？也就是說只提供未標注的數據。這種情況下，Mark完全不知道該怎么做，Tony也判別不出什么（因為他不知道“貓”“狗”這兩個類別），但至少Tony可以根據看到的貓和狗去畫圖，這難道不是巨大的優勢嗎？半監督就是如此。
在上述例子中，Mark就是判別式方法，而Tony代表生成式方法。
再看另一個例子，將語音分類為語言模型。
判別式方法重點在區別語言模型間的差異。無需學習語言就可實現語音分類。而生成式方法需要學習每種語言，根據學習到的知識進行分類。
數學上的區別
判別式機器學習訓練模型在可能的輸出選項中選擇正確輸出，通過訓練學習使條件概率P（Y | X）最大化的模型參數。
生成式機器學習則是通過訓練學習使聯合概率P（X，Y）最大化的模型參數。通常可以由P（Y）和P（X | Y）得到聯合概率，當前前提是P（Y）和P（X | Y）條件獨立。
判別式模型
邏輯回歸
隨機森林
支持向量機
經典神經網絡
最近鄰
生成式模型
隱馬爾科夫模型
樸素貝葉斯
貝葉斯網絡
混合高斯模型
為更好的理解，試著以下幾個問題：（1 判別式；2 生成式）
哪種模型需要較少的訓練數據？1
哪種模型能夠生成數據？2
什么時候使用某類模型？
哪種模型對異常值更敏感？2
哪種模型容易過擬合？1
哪種模型訓練時間短？1
哪種模型直接學習條件概率？1
在不確定情況下，哪種模型更好？2
當特征存在關聯時，哪種模型更好？2
哪種模型具有更好的可解釋性？2
分類問題中，哪種模型準確率高？1
對于未標注數據使用哪種模型？2
如果是標注數據哪種模型更好？1
哪種模型簡單，訓練速度更快？1
GAN
生成對抗網絡（GAN）同時訓練生成器和判別器，具體而言，生成器生成一批樣本，這些樣本與真實數據集一起提供給判別器進行分類。
判別式分類器的缺陷
它缺乏先驗性，結構性和不確定性
黑盒子，變量之間的關系無法觀測
結論
機器學習模型一般分為生成式和判別式兩類，其中，生成式模型主要涉及建模操作，判別式模型一般用于分類問題。一般而言，生成式模型更具有解釋力。
模型并不是越大越好、參數越多越好。更新更多參數意味著更長的訓練時間、內存和計算量。一般而言，判別式模型有更好的正則性。
生成式模型所需的數據一般要比判別式模型更少。
參考文獻
· Yogatama, D., Dyer, C., Ling, W., and Blunsom, P., 2017. Generative and discriminative text classification with recurrent neural networks. arXiv preprint arXiv:1703.01898.
· Lasserre, J.A., Bishop, C.M. and Minka, T.P., 2006, June. Principled hybrids of generative and discriminative models. In 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’06) (Vol. 1, pp. 87–94). IEEE.
· Wang, K., Zong, C., and Su, K.Y., 2012. Integrating generative and discriminative character-based models for Chinese word segmentation. ACM Transactions on Asian Language Information Processing (TALIP), 11(2), pp.1–41.
· Prasad, A., Niculescu-Mizil, A., and Ravikumar, P.K., 2017. On separability of loss functions, and revisiting discriminative vs. generative models. In Advances in Neural Information Processing Systems (pp. 7050–7059).
最后，歡迎在Twitter和Linkedin上發表您的想法！你覺得本文對你有幫助嗎？歡迎交流分享，聯系方式@SauravSingla_08和Saurav_Singla！
雷鋒字幕組是一個由 AI 愛好者組成的翻譯團隊，匯聚五百多位志愿者的力量，分享最新的海外AI資訊，交流關于人工智能技術領域的行業變革與技術創新的見解。
團隊成員有大數據專家、算法工程師、圖像處理工程師、產品經理、產品運營、IT咨詢人、在校師生；志愿者們來自IBM、AVL、Adobe、阿里、百度等知名企業，北大、清華、港大、中科院、南卡羅萊納大學、早稻田大學等海內外高校研究所。
如果，你也是位熱愛分享的AI愛好者。歡迎與雷鋒字幕組一起，學習新知，分享成長。
