Training Energy-Based Models with Non-MCMC Samplers and Efficient Temperature Estimation
Este artigo introduz um framework abrangente para o treinamento de modelos baseados em energia utilizando amostradores rápidos não-MCMC ao propor o amostrador de bifurcação simulada de Langevin (LSB) para amostragem paralela eficiente, o método de correspondência de expectativa condicional (CEM) para estimativa precisa de temperatura e o algoritmo de aprendizado adaptativo de amostrador (SAL) para combinar efetivamente esses componentes para um desempenho superior em máquinas de Boltzmann semi-restritas.