ترجمه فارسی مقاله درک محتوای AI تولیدی با مدل های جاسازی شده

چکیده

The construction of high-quality numerical features is critical to any quantitative data analysis. Feature engineering has been historically addressed by carefully hand-crafting data representations based on domain expertise. This work views the internal representations of modern deep neural networks (DNNs), called embeddings, as an automated form of traditional feature engineering. For trained DNNs, we show that these embeddings can reveal interpretable, high-level concepts in unstructured sample data. We use these embeddings in natural language and computer vision tasks to uncover both inherent heterogeneity in the underlying data and human-understandable explanations for it. In particular, we find empirical evidence that there is inherent separability between real data and that generated from AI models.

چکیده به فارسی (ترجمه ماشینی)

ساخت ویژگی های عددی با کیفیت بالا برای هر تجزیه و تحلیل داده های کمی بسیار مهم است.مهندسی ویژگی ها با استفاده از نمایش داده های با دقت دست ساز بر اساس تخصص دامنه ، از لحاظ تاریخی مورد بررسی قرار گرفته است.این کار بازنمودهای داخلی شبکه های عصبی عمیق مدرن (DNN) ، به نام تعبیه را به عنوان یک شکل خودکار از مهندسی ویژگی های سنتی مشاهده می کند.برای DNN های آموزش دیده ، ما نشان می دهیم که این تعبیه ها می توانند مفاهیم قابل تفسیر و سطح بالا را در داده های نمونه بدون ساختار نشان دهند.ما از این تعبیه ها در وظایف طبیعی و بینایی رایانه ای استفاده می کنیم تا ناهمگونی ذاتی را در داده های اساسی و توضیحات قابل درک انسان برای آن کشف کنیم.به طور خاص ، ما شواهد تجربی می یابیم که بین داده های واقعی جدایی ذاتی وجود دارد و از مدل های AI تولید می شود.