ترجمه فارسی مقاله مقایسه فضاهای تعبیه‌شده برای طبقه‌بندی یادگیری عمیق

چکیده

Embedded spaces are a key feature in deep learning. Good embedded spaces represent the data well to support classification and advanced techniques such as open-set recognition, few-short learning and explainability. This paper presents a compact overview of different techniques to design embedded spaces for classification. It compares different loss functions and constraints on the network parameters with respect to the achievable geometric structure of the embedded space. The techniques are demonstrated with two and three-dimensional embeddings for the MNIST, Fashion MNIST and CIFAR-10 datasets, allowing visual inspection of the embedded spaces.

چکیده به فارسی (ترجمه ماشینی)

فضاهای تعبیه شده یک ویژگی اصلی در یادگیری عمیق است.فضاهای تعبیه شده خوب ، داده ها را به خوبی برای پشتیبانی از طبقه بندی و تکنیک های پیشرفته مانند تشخیص مجموعه باز ، یادگیری چند کوتاه و توضیحات نشان می دهد.در این مقاله یک نمای کلی از تکنیک های مختلف برای طراحی فضاهای تعبیه شده برای طبقه بندی ارائه شده است.این توابع و محدودیت های مختلف را در پارامترهای شبکه با توجه به ساختار هندسی قابل دستیابی فضای تعبیه شده مقایسه می کند.این تکنیک ها با تعبیه دو و سه بعدی برای مجموعه داده های MNIST ، FASHION MNIST و CIFAR-10 نشان داده شده است و امکان بازرسی بصری از فضاهای تعبیه شده را فراهم می کند.