ترجمه فارسی مقاله فرسایش بهینه برای تفسیر

چکیده

Interpretability studies often involve tracing the flow of information through machine learning models to identify specific model components that perform relevant computations for tasks of interest. Prior work quantifies the importance of a model component on a particular task by measuring the impact of performing ablation on that component, or simulating model inference with the component disabled. We propose a new method, optimal ablation (OA), and show that OA-based component importance has theoretical and empirical advantages over measuring importance via other ablation methods. We also show that OA-based component importance can benefit several downstream interpretability tasks, including circuit discovery, localization of factual recall, and latent prediction.

چکیده به فارسی (ترجمه ماشینی)

مطالعات تفسیر معمولاً شامل ردیابی جریان اطلاعات از طریق مدل های یادگیری ماشین برای شناسایی مؤلفه های مدل خاص است که محاسبات مربوطه را برای کارهای مورد علاقه انجام می دهند.کار قبلی با اندازه گیری تأثیر انجام فرسایش بر روی آن مؤلفه ، یا شبیه سازی استنباط مدل با مؤلفه غیرفعال ، اهمیت یک مؤلفه مدل را بر روی یک کار خاص تعیین می کند.ما یک روش جدید ، فرسایش بهینه (OA) را پیشنهاد می کنیم و نشان می دهیم که اهمیت مؤلفه مبتنی بر OA دارای مزایای نظری و تجربی نسبت به اندازه گیری اهمیت از طریق سایر روشهای فرسایش است.ما همچنین نشان می دهیم که اهمیت مؤلفه مبتنی بر OA می تواند از چندین کار تفسیر پایین دست ، از جمله کشف مدار ، محلی سازی فراخوان واقعی و پیش بینی نهفته بهره مند شود.