Modelling of parametrized processes via regression in the model space of neural networks

ما مدل سازی فرایندهای پارامتری را در نظر می گیریم، جایی که هدف آن مدل فرایندی برای ترکیبات ارزش جدید پارامتر است. ما رویکرد رگرسیون کلاسیک را به یک رویکرد مدولار مبتنی بر رگرسیون در فضای مدل مقایسه می کنیم: ابتدا برای هر پارامتریک سازی فرآیند یک مدل آموخته می شود. دوم، یک نقشه برداری از پارامترهای فرایند به پارامترهای مدل آموخته می شود. ما هر دو رویکرد را در دو مجموعه مصنوعی و دو مجموعه داده های واقعی واقع در نظر می گیریم و مزایای رگرسیون را در فضای مدل نشان می دهد.