ترجمه فارسی مقاله اندازه‌گیری آنچه مهم است: حفظ فاصله ذاتی به عنوان یک معیار قوی برای کیفیت جاسازی

چکیده

Unsupervised embeddings are fundamental to numerous machine learning applications, yet their evaluation remains a challenging task. Traditional assessment methods often rely on extrinsic variables, such as performance in downstream tasks, which can introduce confounding factors and mask the true quality of embeddings. This paper introduces the Intrinsic Distance Preservation Evaluation (IDPE) method, a novel approach for assessing embedding quality based on the preservation of Mahalanobis distances between data points in the original and embedded spaces. We demonstrate the limitations of extrinsic evaluation methods through a simple example, highlighting how they can lead to misleading conclusions about embedding quality. IDPE addresses these issues by providing a task-independent measure of how well embeddings preserve the intrinsic structure of the original data. Our method leverages efficient similarity search techniques to make it applicable to large-scale datasets. We compare IDPE with established intrinsic metrics like trustworthiness and continuity, as well as extrinsic metrics such as Average Rank and Mean Reciprocal Rank. Our results show that IDPE offers a more comprehensive and reliable assessment of embedding quality across various scenarios. We evaluate PCA and t-SNE embeddings using IDPE, revealing insights into their performance that are not captured by traditional metrics. This work contributes to the field by providing a robust, efficient, and interpretable method for embedding evaluation. IDPE’s focus on intrinsic properties offers a valuable tool for researchers and practitioners seeking to develop and assess high-quality embeddings for diverse machine learning applications.

چکیده به فارسی (ترجمه ماشینی)

تعبیه های بدون نظارت برای بسیاری از برنامه های یادگیری ماشین اساسی است ، اما ارزیابی آنها همچنان یک کار چالش برانگیز است.روشهای ارزیابی سنتی اغلب به متغیرهای بیرونی مانند عملکرد در کارهای پایین دست متکی هستند ، که می توانند عوامل مخدوش کننده را معرفی کنند و کیفیت واقعی تعبیه ها را نقاب بزنند.در این مقاله ، روش ارزیابی حفظ فاصله ذاتی (IDPE) ، یک رویکرد جدید برای ارزیابی کیفیت جاسازی شده بر اساس حفظ فاصله ماهالانوبیس بین نقاط داده در فضاهای اصلی و تعبیه شده ارائه شده است.ما محدودیت های روشهای ارزیابی بیرونی را از طریق یک مثال ساده نشان می دهیم ، و برجسته می کنیم که چگونه می توانند منجر به نتیجه گیری گمراه کننده در مورد کیفیت تعبیه شوند.IDPE با ارائه یک اندازه گیری مستقل از کار در مورد چگونگی تعبیه ها ساختار ذاتی داده های اصلی ، به این موضوعات می پردازد.روش ما از تکنیک های جستجوی شباهت کارآمد استفاده می کند تا آن را در مورد مجموعه داده های در مقیاس بزرگ کاربرد داشته باشد.ما IDPE را با معیارهای ذاتی تعیین شده مانند اعتماد به نفس و تداوم و همچنین معیارهای بیرونی مانند میانگین رتبه و میانگین رتبه متقابل مقایسه می کنیم.نتایج ما نشان می دهد که IDPE ارزیابی جامع تر و قابل اعتماد تر از کیفیت تعبیه در سناریوهای مختلف را ارائه می دهد.ما تعبیه های PCA و T-SNE را با استفاده از IDPE ارزیابی می کنیم و بینش هایی از عملکرد آنها را نشان می دهیم که توسط معیارهای سنتی ضبط نمی شوند.این کار با ارائه یک روش قوی ، کارآمد و قابل تفسیر برای ارزیابی تعبیه به این زمینه کمک می کند.تمرکز IDPE بر روی خصوصیات ذاتی ابزاری ارزشمند را برای محققان و پزشکان که به دنبال توسعه و ارزیابی تعبیه های با کیفیت بالا برای برنامه های متنوع یادگیری ماشین هستند ، ارائه می دهد.