تقریب پارامتر‌‌های مدل‌های تصادفی: رویکرد شبکه‌های عصبی پیچشی

امروزه مدل‎‌های زیادی وجود دارند که هرکدام رفتار یک فرایند‎‎‌ طبیعی را توصیف می‌کنند. برای بررسی این رفتار‎‌ها از مدل‌های ریاضی مانند معادلات دیفرانسیل معمولی کمک گرفته می‌شود. این مدل‎‌ها معمولاً بسیار پیچیده و شامل تعداد زیادی از پارامترهای نامعلوم هستند و تابع درست‎نمایی آن‎ها از لحاظ محاسباتی قابل حل نیست. تحت این شرایط تقریب پارامتر‎‌ها بدلیل پیچیدگی و نبودن داده‎‌های کافی کار نچندان ساده‎ای می‌‎باشد. در شبکه‎‌های عصبی روش‎‌های مختلفی برای حل تقریب محاسبات بیزی وجود دارد. مانند یادگیری ماشین، یادگیری عمیق و ... . در این مقاله با استفاده از یک نوع معماری خاص در شبکه‎‌های عصبی به نام شبکه های عصبی رزنت که با رفتار غیر-خطی مدل‎‌ها سازگارتر است، عملکرد مناسبی در تخمین پارامتر‎‌های مدل های فرآیندها بدست آمده است. طبق معیار واریانس ناهماهنگ معماری رزنت توانسته است برای یکی از مدل‎های پیچیده به نام مدل رانش انتشار فروپاشی به مقدار 0.87 نسبت به معماری استنتاج-عمیق بهتر عمل کند. اگر به سراغ مدل‎های ساده تر برویم این پیشرفت به مقدار بالاتری هم می‎رسد.