7、深度学习中的进化方法与贝叶斯网络推理

深度学习中的进化方法与贝叶斯网络推理

在机器学习领域，进化方法与深度学习的结合正逐渐成为研究热点，同时贝叶斯网络中的推理算法也有着重要应用。下面将详细介绍相关内容。

图像与语音的进化欺骗

在图像生成方面，为了生成具有欺骗性的图像，通常会选择在多个类别中都显示出高可靠性的图像，而非仅在目标类别中具有高识别可靠性的图像。例如，当目标是生成一把吉他的欺骗性图像时，会选择在“吉他”“小提琴”和“琵琶”等所有类别中同时显示高可靠性的图像，而不是仅作为“吉他”显示高可靠性的图像。在研究中，基于像素单元或 CPPN 的图像基因型被用于实验。通过进化计算，成功生成了白噪声和条纹图案的欺骗性图像，这表明了深度神经网络（DNN）模型的脆弱性。

在语音处理上，研究尝试将类似的进化过程应用于原始语音数据，合成计算机能够识别但人类无法理解的语音。通过遗传算法（GA）合成了误报语音，实验表明，即使是人类听起来只是白噪声的声音，计算机也能以高可靠性识别出有意义的单词。

贝叶斯网络与循环信念传播

信念传播（BP）是一种用于树状结构图形模型的推理算法，根据不同的目标有多种变体。例如，最大和算法（max - sum）是 BP 的一个实例，它能有效地计算这些模型的最高联合概率。循环信念传播（LBP）则是将 BP 应用于具有任意循环图结构的图形模型，可近似且快速地推断出最可能的解决方案（MPS）或边际概率。

循环最大和算法（loopy max - sum）是将最大和算法应用于循环图。它通过反复更新消息（即局部计算的联合概率），最终从这些消息中近似生成 MPS。为了将循环最大和算法应用于贝叶斯网络，需要将其转换为等效的因子图。在贝叶斯网络中，没有父节点的变量