ترجمه فارسی مقاله VidModEx: استخراج مدل جعبه سیاه تفسیرپذیر و کارآمد برای فضاهای با ابعاد بالا

چکیده

In the domain of black-box model extraction, conventional methods reliant on soft labels or surrogate datasets struggle with scaling to high-dimensional input spaces and managing the complexity of an extensive array of interrelated classes. In this work, we present a novel approach that utilizes SHAP (SHapley Additive exPlanations) to enhance synthetic data generation. SHAP quantifies the individual contributions of each input feature towards the victim model’s output, facilitating the optimization of an energy-based GAN towards a desirable output. This method significantly boosts performance, achieving a 16.45% increase in the accuracy of image classification models and extending to video classification models with an average improvement of 26.11% and a maximum of 33.36% on challenging datasets such as UCF11, UCF101, Kinetics 400, Kinetics 600, and Something-Something V2. We further demonstrate the effectiveness and practical utility of our method under various scenarios, including the availability of top-k prediction probabilities, top-k prediction labels, and top-1 labels.

چکیده به فارسی (ترجمه ماشینی)

در حوزه استخراج مدل جعبه سیاه ، روشهای معمولی متکی به برچسب های نرم یا مجموعه داده های جانشین با مقیاس بندی به فضاهای ورودی با ابعاد بالا و مدیریت پیچیدگی مجموعه گسترده ای از کلاسهای مرتبط هستند.در این کار ، ما یک رویکرد جدید ارائه می دهیم که از Shap (توضیحات افزودنی Shapley) برای تقویت تولید داده های مصنوعی استفاده می کند.Shap سهم فردی از هر ویژگی ورودی را به سمت خروجی مدل قربانی تعیین می کند و بهینه سازی یک GAN مبتنی بر انرژی به سمت یک خروجی مطلوب را تسهیل می کند.این روش به طور قابل توجهی عملکرد را افزایش می دهد ، و دستیابی به افزایش 16.45 ٪ در صحت مدل های طبقه بندی تصویر و گسترش به مدل های طبقه بندی ویدیویی با میانگین بهبود 26.11 ٪ و حداکثر 33.36 ٪ در مجموعه داده های چالش برانگیز مانند UCF11 ، UCF101 ، سینتیک 400 ، سینتیک600 ، و چیزی-چیزی V2.ما همچنین اثربخشی و کاربرد عملی روش خود را تحت سناریوهای مختلف ، از جمله در دسترس بودن احتمالات پیش بینی TOP-K ، برچسب های پیش بینی Top-K و برچسب های برتر 1 نشان می دهیم.