ترجمه فارسی مقاله نقشه‌های شناختی فازی شهودی برای طبقه‌بندی تصویر قابل تفسیر

چکیده

The interpretability of machine learning models is critical, as users may be reluctant to rely on their inferences. Intuitionistic FCMs (iFCMs) have been proposed as an extension of FCMs offering a natural mechanism to assess the quality of their output through the estimation of hesitancy, a concept resembling to human hesitation in decision making. To address the challenge of interpretable image classification, this paper introduces a novel framework, named Interpretable Intuitionistic FCM (I2FCM) which is domain-independent, simple to implement, and can be applied on Convolutional Neural Network (CNN) models, rendering them interpretable. To the best of our knowledge this is the first time iFCMs are applied for image classification. Further novel contributions include: a feature extraction process focusing on the most informative image regions; a learning algorithm for data-driven determination of the intuitionistic fuzzy interconnections of the iFCM; an inherently interpretable classification approach based on image contents. In the context of image classification, hesitancy is considered as a degree of inconfidence with which an image is categorized to a class. The constructed iFCM model distinguishes the most representative image semantics and analyses them utilizing cause-and-effect relations. The effectiveness of the introduced framework is evaluated on publicly available datasets, and the experimental results confirm that it can provide enhanced classification performance, while providing interpretable inferences.

چکیده به فارسی (ترجمه ماشینی)

تفسیر مدل های یادگیری ماشین بسیار مهم است ، زیرا ممکن است کاربران تمایلی به تکیه بر استنتاج خود نداشته باشند.FCM های شهودی (IFCMS) به عنوان گسترش FCMS ارائه شده اند که مکانیسم طبیعی را برای ارزیابی کیفیت خروجی آنها از طریق تخمین تردید ارائه می دهند ، مفهومی که شبیه به تردید انسان در تصمیم گیری است.برای پرداختن به چالش طبقه بندی تصویر قابل تفسیر ، این مقاله یک چارچوب جدید به نام FCM شهودی قابل تفسیر (I2FCM) که مستقل از دامنه است ، ساده است ، ساده است و می تواند در مدل های شبکه عصبی حلقوی (CNN) استفاده شود و آنها را قابل تفسیر باشد.به بهترین دانش ما این اولین باری است که IFCMS برای طبقه بندی تصویر اعمال می شود.مشارکتهای جدید بیشتر عبارتند از: یک فرآیند استخراج ویژگی با تمرکز بر آموزنده ترین مناطق تصویر.یک الگوریتم یادگیری برای تعیین داده محور از اتصال فازی شهودی از IFCM.یک رویکرد طبقه بندی ذاتاً قابل تفسیر مبتنی بر محتوای تصویر.در زمینه طبقه بندی تصویر ، تردید به عنوان درجه ای از ناسازگاری در نظر گرفته می شود که با آن یک تصویر به یک کلاس طبقه بندی می شود.مدل IFCM ساخته شده ، نماینده ترین معناشناسی تصویر را متمایز می کند و آنها را با استفاده از روابط علت و معلولی تجزیه و تحلیل می کند.اثربخشی چارچوب معرفی شده در مجموعه داده های در دسترس عموم ارزیابی می شود ، و نتایج تجربی تأیید می کند که می تواند عملکرد طبقه بندی پیشرفته را ارائه دهد ، ضمن ارائه استنباط های قابل تفسیر.