یادگیری عمیق و نظریه تعادل نقطه ای
چکیده
یادگیری عمیق با اخرین گزارش های موفقیت آمیز در AI مرتبط است. به طور خاص، شبکه های عصبی عمیق در زمینه های فزاینده ی مختلف برای مدل سازی فرایندهای پیچیده استفاده می شوند. جالب توجه است که الگوریتم انتشار بازگشتی در اصل برای مدل های علوم سیاسی طراحی شده است. مبانی نظری این رویکرد بسیار مشابه مفهوم نظریه تعادل نقطه ای (PET) است. این مقاله مفهوم یادگیری عمیق را مورد بحث و بررسی قرار می دهد و نشان می دهد که با PET همخوانی دارد. یک مدل جلوه گر نشان می دهد که چگونه یادگیری عمیق برای ارائه ی یک ارتباط از دست رفته در فرایند خط مشی می تواند مورد استفاده قرار گیرد: ارتباط بین توجه در نظام سیاسی (به عنوان ورودی ها) و تغییرات بودجه (به عنوان خروجی).
1.مقدمه
یادگیری عمیق با اخرین گزارش های موفقیت آمیز در AI مرتبط است. یادگیری عمیق روش انتخابی برای ساخت مدل های یادگیری ماشینی است که در بسیاری از شرایط پیچیده مفید هستند. با درنظر گرفتن این مسیر ترقی, روشن است که علوم سیاسی نیز می تواند از این روش سودی ببرد. تمام شاخه های رویکرد علوم سیاسی, روند سیاسی را بعنوان نوعی سیستم شناختی درنظر میگیرند که نهاده های سیاسی از جامعه را به خروجی تبدیل می کند. نظریه ی تعادل نقطه ای (PET) یک مفهوم بسیار موفق در علوم سیاسی است که در آثار نظری هربرت سیمون در عقلانیت محدود (Simon، 1955) پایه ریزی شده است. آنچه این نظریه را از نظریه های انتخاب منطقی (عقلانی) جدا می کند - در میان دیگران - درک سازمان هاست (جونز، 2003). درحالیکه نظریه ها به تنهایی به مکانیزم های بازار متکی هستند, میتوانند سازمان ها را بصورت فردی (حداکثر رساندن کارکرد سودمندی آنها) و یا بصورت بازار ببینند. در عقلانیت محدود, سازمان ها بمنظور همکاری برای شناسایی افراد با سازمان ها در نظر گرفته می شوند. در بسیاری از موارد، آنها باعث می شوند که سازمان ها بسیار موثر تر از بازار عمل کنند، به خصوص به دلیل اینکه فرآیندهای موازی می توانند با کمترین هزینه های اطلاعاتی سازماندهی شوند. اما باعث می شوند که سازمانها نیز پیچیده باشند.
Abstract
Deep learning is associated with the latest success stories in AI. In particular, deep neural networks are applied in increasingly different fields to model complex processes. Interestingly, the underlying algorithm of backpropagation was originally designed for political science models. The theoretical foundations of this approach are very similar to the concept of Punctuated Equilibrium Theory (PET). The article discusses the concept of deep learning and shows parallels to PET. A showcase model demonstrates how deep learning can be used to provide a missing link in the study of the policy process: the connection between attention in the political system (as inputs) and budget shifts (as outputs).
1. Introduction
Deep learning is associated with the latest success stories in AI. From autonomous cars to AI beating a Go-master: deep learning is the method of choice to construct machine learning models that are useful in many complex situations. Taking this success-story into account, it seems obvious that political science could profit from this method as well. A whole branch of political science approaches sees the policy process as a kind of cognitive system that transforms political inputs from society into outputs. Punctuated Equilibrium Theory (PET) is a very successful concept in political science that is grounded in the theoretical works of Herbert Simon on bounded rationality (Simon, 1955). What separates this approach from rational choice theories is - amongst others - the understanding of organizations (Jones, 2003). While theories that rely solely on market mechanisms can see organizations only as individuals (maximizing their utility function) or as markets, where individuals meet. In bounded rationality organizations are seen as cooperations of individuals identifying with the organization. In many cases, this makes organizations much more effective than markets, especially because parallel processes can be organized with less information costs. But this makes organizations quite complex, as well.
چکیده
1.مقدمه
2. یادگیری عمیق چیست؟
3.فرایند سیاسی بصورت پردازش اطلاعات
4.مدل نمایشی: یادگیری عمیق و فرآیند سیاسی
5.نظریه پیوند سیاست های بودجه ای به سیات های رسیدگی
6. یادگیری عمیق پیشرفته
7. چشم انداز
Abstract
1. Introduction
2. What is deep learning?
3. Policy process as information processing
4. A showcase model: deep learning and the policy process
5. Linking theories of budgetary politics to the politics of attention
6. Advanced deep learning
7. Outlook
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه