ترجمه فارسی مقاله ReSi: معیاری جامع برای سنجش شباهت‌های نمایشی

چکیده

Measuring the similarity of different representations of neural architectures is a fundamental task and an open research challenge for the machine learning community. This paper presents the first comprehensive benchmark for evaluating representational similarity measures based on well-defined groundings of similarity. The representational similarity (ReSi) benchmark consists of (i) six carefully designed tests for similarity measures, (ii) 23 similarity measures, (iii) eleven neural network architectures, and (iv) six datasets, spanning over the graph, language, and vision domains. The benchmark opens up several important avenues of research on representational similarity that enable novel explorations and applications of neural architectures. We demonstrate the utility of the ReSi benchmark by conducting experiments on various neural network architectures, real world datasets and similarity measures. All components of the benchmark are publicly available and thereby facilitate systematic reproduction and production of research results. The benchmark is extensible, future research can build on and further expand it. We believe that the ReSi benchmark can serve as a sound platform catalyzing future research that aims to systematically evaluate existing and explore novel ways of comparing representations of neural architectures.

چکیده به فارسی (ترجمه ماشینی)

اندازه گیری شباهت بازنمودهای مختلف معماری های عصبی یک کار اساسی و یک چالش تحقیقاتی باز برای جامعه یادگیری ماشین است.در این مقاله اولین معیار جامع برای ارزیابی اقدامات شباهت بازنمایی بر اساس زمینه های تعریف شده از شباهت ارائه شده است.معیار شباهت بازنمایی (RESI) شامل (i) شش تست با دقت طراحی شده برای اقدامات شباهت ، (ب) 23 اقدامات شباهت ، (iii) یازده معماری شبکه عصبی ، و (IV) شش مجموعه داده است که شامل نمودار ، زبان وحوزه های دید.این معیار چندین راه مهم تحقیق در مورد شباهت بازنمایی را باز می کند که امکان اکتشافات جدید و کاربردهای معماری های عصبی را فراهم می کند.ما با انجام آزمایشات در مورد معماری های مختلف شبکه عصبی ، مجموعه داده های دنیای واقعی و اقدامات شباهت ، کاربرد معیار Resi را نشان می دهیم.تمام مؤلفه های این معیار در دسترس عموم هستند و از این طریق تولید مثل سیستماتیک و تولید نتایج تحقیق را تسهیل می کنند.این معیار قابل گسترش است ، تحقیقات آینده می تواند آن را بسازد و بیشتر آن را گسترش دهد.ما معتقدیم که معیار Resi می تواند به عنوان یک بستر صوتی که در حال کاتالیز کردن تحقیقات آینده است که هدف آن ارزیابی سیستماتیک موجود و کشف روشهای جدید مقایسه بازنمایی معماری های عصبی است ، باشد.