Feb 22 2020

Probabilistic Programming for Procedural Modeling and Design- Daniel Ritchie [PDF] [SD]

Descripción:

El modelado de procedimientos, o el uso de programas pseudoaleatorios para generar contenido visual, juega un papel importante en el diseño y los gráficos por computadora. Facilita la creación de contenido a escalas masivas, puede crear automáticamente imágenes minuciosamente detalladas e incluso puede generar resultados agradablemente sorprendentes que pueden ayudar a las personas a navegar en espacios de diseño grandes y poco intuitivos.

Muchas aplicaciones de modelado de procedimientos exigen contenido direccionable: la capacidad de imponer restricciones estéticas o funcionales en la salida del modelo. La inferencia bayesiana proporciona un marco para dicho control: el modelo de procedimiento especifica un previo generativo, con las restricciones codificadas como una función de probabilidad.

En esta disertación, usamos lenguajes de programación probabilísticos para expresar tales modelos procesales bayesianos. Un lenguaje de programación probabilístico (PPL) proporciona la elección aleatoria y los operadores de condicionamiento bayesianos como primitivas, y la inferencia corresponde a la búsqueda en el espacio de ejecuciones de programas de rastros de ejecución de alta probabilidad. Las PPL pueden expresar de forma concisa distribuciones de probabilidad arbitrarias, incluidos los procesos estocásticos complejos, jerárquicos y, a menudo, recursivos que se requieren en el modelado de procedimientos.

Desafortunadamente, la inferencia de PPL suele ser ineficiente, ya que depende de métodos costosos de Monte Carlo. Esta disertación desarrolla un conjunto de técnicas para acelerar la inferencia PPL. Primero, eliminamos el cálculo redundante de Metropolis-Hastings, uno de los algoritmos de inferencia PPL más comúnmente utilizados. A continuación, mostramos cómo explorar eficientemente espacios de diseño muy restringidos usando el algoritmo Hamiltoniano Monte Carlo basado en gradiente. Luego, abordamos los problemas que plantean las estructuras de ramificación profunda en modelos de procedimiento como los árboles recursivos, utilizando una nueva variante de Monte Carlo secuencial. Finalmente, hacemos que los programas de modelado de procedimientos aprendan de sus propios resultados, utilizando redes neuronales que guían a los programas hacia resultados de alta probabilidad con menos muestras. Juntas, estas herramientas acercan la inferencia PPL a las tasas interactivas, lo que puede permitir aplicaciones de diseño y gráficos más atractivos.

Datos Técnicos:

Nombre: Programación probabilística para modelado y diseño de procedimientos

Autor: Daniel Ritchie

Formato: PDF

Peso: 5.9 Mb

Idioma: Español (traducido)

Nº De Páginas: 152

Año: 2016

Género: Algoritmo, Programación

Descargar:

https://speed-down.org/6ohwe6iq1rh6

Freddos25333


Krokers1 A compartido 2022 posts en MundoProgramas.


Mensaje Privado
Visitas

Categoria: Software Etiquetas: , , , , , , , , , , , , , ,

RSS Seguir Feed RSS Comentarios | Temas de Freddos25333

Deja un Comentario