ترجمه فارسی مقاله رمزگذار خودکار متغیر متمایز گوسی (GdVAE): یک مدل خود توضیحی با توضیحات خلاف واقع

چکیده

Visual counterfactual explanation (CF) methods modify image concepts, e.g, shape, to change a prediction to a predefined outcome while closely resembling the original query image. Unlike self-explainable models (SEMs) and heatmap techniques, they grant users the ability to examine hypothetical “what-if” scenarios. Previous CF methods either entail post-hoc training, limiting the balance between transparency and CF quality, or demand optimization during inference. To bridge the gap between transparent SEMs and CF methods, we introduce the GdVAE, a self-explainable model based on a conditional variational autoencoder (CVAE), featuring a Gaussian discriminant analysis (GDA) classifier and integrated CF explanations. Full transparency is achieved through a generative classifier that leverages class-specific prototypes for the downstream task and a closed-form solution for CFs in the latent space. The consistency of CFs is improved by regularizing the latent space with the explainer function. Extensive comparisons with existing approaches affirm the effectiveness of our method in producing high-quality CF explanations while preserving transparency. Code and models are public.

چکیده به فارسی (ترجمه ماشینی)

روشهای توضیحات ضد خلاف بصری (CF) مفاهیم تصویر را تغییر می دهد ، به عنوان مثال شکل ، برای تغییر پیش بینی به یک نتیجه از پیش تعریف شده در حالی که از نزدیک شبیه به تصویر پرس و جو اصلی است.بر خلاف مدل های قابل توضیح (SEM) و تکنیک های HeatMap ، آنها به کاربران این امکان را می دهند که سناریوهای فرضی “What-If” را بررسی کنند.روشهای CF قبلی یا مستلزم آموزش تعقیله ، محدود کردن تعادل بین شفافیت و کیفیت CF یا بهینه سازی تقاضا در هنگام استنتاج است.برای ایجاد شکاف بین SEM های شفاف و روش های CF ، ما GDVAE ، یک مدل قابل بیان را بر اساس یک اتوآنمان متغیر مشروط (CVAE) معرفی می کنیم ، که دارای یک طبقه بندی کننده تجزیه و تحلیل تبعیض آمیز گاوسی (GDA) و توضیحات CF یکپارچه است.شفافیت کامل از طریق یک طبقه بندی کننده تولیدی حاصل می شود که از نمونه های خاص کلاس برای کار پایین دست و یک راه حل بسته برای CFS در فضای نهفته استفاده می کند.قوام CFS با تنظیم فضای نهفته با عملکرد توضیح دهنده بهبود می یابد.مقایسه های گسترده با رویکردهای موجود اثربخشی روش ما در تولید توضیحات CF با کیفیت بالا ضمن حفظ شفافیت را تأیید می کند.کد و مدل ها عمومی هستند.