ترجمه فارسی مقاله دستیابی به شبکه های عصبی کارآمد با مدل های مبتنی بر مفهوم ترکیبی

چکیده

Most datasets used for supervised machine learning consist of a single label per data point. However, in cases where more information than just the class label is available, would it be possible to train models more efficiently? We introduce two novel model architectures, which we call hybrid concept-based models, that train using both class labels and additional information in the dataset referred to as concepts. In order to thoroughly assess their performance, we introduce ConceptShapes, an open and flexible class of datasets with concept labels. We show that the hybrid concept-based models outperform standard computer vision models and previously proposed concept-based models with respect to accuracy, especially in sparse data settings. We also introduce an algorithm for performing adversarial concept attacks, where an image is perturbed in a way that does not change a concept-based model’s concept predictions, but changes the class prediction. The existence of such adversarial examples raises questions about the interpretable qualities promised by concept-based models.

چکیده به فارسی (ترجمه ماشینی)

بیشتر مجموعه داده های مورد استفاده برای یادگیری ماشین نظارت شده شامل یک برچسب واحد در هر نقطه داده است.با این حال ، در مواردی که اطلاعات بیشتری نسبت به برچسب کلاس در دسترس است ، آیا می توان مدل های کارآمدتر را آموزش داد؟ما دو معماری مدل جدید را معرفی می کنیم ، که ما آن را مدل های مبتنی بر مفهوم ترکیبی می نامیم ، که با استفاده از برچسب های کلاس و اطلاعات اضافی در مجموعه داده ها که به عنوان مفاهیم گفته می شود ، آموزش می دهیم.به منظور ارزیابی کامل عملکرد آنها ، ما ConceptShapes را معرفی می کنیم ، یک کلاس از مجموعه داده های باز و انعطاف پذیر با برچسب های مفهومی.ما نشان می دهیم که مدل های مبتنی بر مفهوم ترکیبی از مدل های استاندارد چشم انداز رایانه و مدل های مبتنی بر مفهوم که قبلاً با توجه به دقت ، به ویژه در تنظیمات داده های پراکنده پیشنهاد شده اند ، بهتر عمل می کنند.ما همچنین الگوریتمی را برای انجام حملات مفهومی مخالف معرفی می کنیم ، جایی که یک تصویر به شکلی آشفته می شود که پیش بینی های مفهوم یک مدل مبتنی بر مفهوم را تغییر نمی دهد ، اما پیش بینی کلاس را تغییر می دهد.وجود چنین نمونه های مخالف سؤالاتی را در مورد خصوصیات قابل تفسیر وعده داده شده توسط مدلهای مبتنی بر مفهوم ایجاد می کند.