معماری جاسازی مشترک (Joint-Embedding Architecture)
به نوعی مدل یادگیری ماشین اشاره دارد که در آن انواع یا روش‌های داده‌ای متعدد (مانند متن، تصویر، صدا) در یک فضای بازنمایی مشترک نگاشت می‌شوند. هدف تولید داده‌های جدید نیست، بلکه درک روابط بین این روش‌ها است، به طوری که، برای مثال، یک تصویر بتواند با متن توصیفی مرتبط شود یا برعکس.
جاسازی: تبدیل داده‌ها از یک فضا به فضای دیگر، معمولاً فضایی با ابعاد پایین‌تر که در آن روابط معنایی یا ساختاری حفظ می‌شوند.
اتصال: ایده‌ای که این جاسازی‌ها به گونه‌ای ایجاد می‌شوند که می‌توان آنها را صرف نظر از شکل اصلی‌شان، با هم مقایسه یا درک کرد.
چرا از معماری‌های Joint-Embedding استفاده کنیم؟
1-امکان بازیابی اطلاعات از انواع مختلف داده را فراهم می‌کند. برای مثال، یافتن تصاویر با توصیف آنها در متن.
2-با تطبیق پروفایل‌های کاربر (داده‌های متنی) با موارد (تصاویر، ویدیوها) تجربه کاربری را بهبود بخشید.
3-عملکرد را در وظایفی که درک بیش از یک روش، زمینه غنی‌تری را فراهم می‌کند.
به نوعی مدل یادگیری ماشین اشاره دارد که در آن انواع یا روش‌های داده‌ای متعدد (مانند متن، تصویر، صدا) در یک فضای بازنمایی مشترک نگاشت می‌شوند. هدف تولید داده‌های جدید نیست، بلکه درک روابط بین این روش‌ها است، به طوری که، برای مثال، یک تصویر بتواند با متن توصیفی مرتبط شود یا برعکس.
جاسازی: تبدیل داده‌ها از یک فضا به فضای دیگر، معمولاً فضایی با ابعاد پایین‌تر که در آن روابط معنایی یا ساختاری حفظ می‌شوند.
اتصال: ایده‌ای که این جاسازی‌ها به گونه‌ای ایجاد می‌شوند که می‌توان آنها را صرف نظر از شکل اصلی‌شان، با هم مقایسه یا درک کرد.
چرا از معماری‌های Joint-Embedding استفاده کنیم؟
1-امکان بازیابی اطلاعات از انواع مختلف داده را فراهم می‌کند. برای مثال، یافتن تصاویر با توصیف آنها در متن.
2-با تطبیق پروفایل‌های کاربر (داده‌های متنی) با موارد (تصاویر، ویدیوها) تجربه کاربری را بهبود بخشید.
3-عملکرد را در وظایفی که درک بیش از یک روش، زمینه غنی‌تری را فراهم می‌کند.
برای درک بهتر معماری Joint Embedding Predictive و Joint Embedding به این ویدئو مراجعه کنید تا درک بهتری داشته باشید
https://www.youtube.com/watch?v=vhDLp2VeVwE&pp=ygUiIEpvaW50IEVtYmVkZGluZyBQcmVkaWN0aXZlIHB5dGhvbg%3D%3D
https://www.youtube.com/watch?v=vhDLp2VeVwE&pp=ygUiIEpvaW50IEVtYmVkZGluZyBQcmVkaWN0aXZlIHB5dGhvbg%3D%3D
YouTube
Overview of Joint Embedding Predictive Architectures
This presentation breaks down the 2023 I-JEPA and 2024 V-JEPA papers on, respectively, image-based and video-based joint embedding architectures, from the FAIR group at Meta.
کنترل پیش‌بینی مدل (Model Predictive Control یا MPC) یکی از پیشرفته‌ترین و قدرتمندترین روش‌های کنترل به‌ویژه در سیستم‌های چندمتغیره و با محدودیت است و می توان جایگزین یادگیری تقویتی (Reinforcement Learning) کرد.
کنترل پیش‌بینی مدل (MPC) یک روش کنترل بهینه است که در آن مدل دینامیکی سیستم برای پیش‌بینی رفتار آینده آن استفاده می‌شود.در هر لحظه، یک مسئله بهینه‌سازی حل می‌شود تا یک دنباله از اعمال کنترلی (ورودی‌ها) به دست آید. فقط اولین ورودی از این دنباله اعمال می‌شود و سپس سیستم دوباره اندازه‌گیری شده و فرایند تکرار می‌شود (بازخورد بسته).
مراحل اصلی MPC
1.پیش‌بینی رفتار آینده سیستم با استفاده از مدل ریاضی
2.تعریف تابع هدف (Cost Function) مثل کمینه کردن خطا + مصرف انرژی + سایر هزینه‌ها.
3.اعمال محدودیت‌ها روی ورودی، خروجی یا حالت سیستم (مانند محدودیت فیزیکی یا ایمنی)
4.حل بهینه‌سازی (معمولاً یک مسئله Quadratic Programming یا غیرخطی).
5.اعمال اولین ورودی محاسبه شده
6.تکرار فرآیند در گام زمانی بعدی.
برای مطالعه بیشتر به آدرس زیر مراجعه کنید
https://www.do-mpc.com/en/latest/
کنترل پیش‌بینی مدل (MPC) یک روش کنترل بهینه است که در آن مدل دینامیکی سیستم برای پیش‌بینی رفتار آینده آن استفاده می‌شود.در هر لحظه، یک مسئله بهینه‌سازی حل می‌شود تا یک دنباله از اعمال کنترلی (ورودی‌ها) به دست آید. فقط اولین ورودی از این دنباله اعمال می‌شود و سپس سیستم دوباره اندازه‌گیری شده و فرایند تکرار می‌شود (بازخورد بسته).
مراحل اصلی MPC
1.پیش‌بینی رفتار آینده سیستم با استفاده از مدل ریاضی
2.تعریف تابع هدف (Cost Function) مثل کمینه کردن خطا + مصرف انرژی + سایر هزینه‌ها.
3.اعمال محدودیت‌ها روی ورودی، خروجی یا حالت سیستم (مانند محدودیت فیزیکی یا ایمنی)
4.حل بهینه‌سازی (معمولاً یک مسئله Quadratic Programming یا غیرخطی).
5.اعمال اولین ورودی محاسبه شده
6.تکرار فرآیند در گام زمانی بعدی.
برای مطالعه بیشتر به آدرس زیر مراجعه کنید
https://www.do-mpc.com/en/latest/
Do-Mpc
Model predictive control python toolbox — do-mpc 5.0.1 documentation
do-mpc is a comprehensive open-source Python toolbox for robust model predictive control (MPC) and moving horizon estimation (MHE).