ترجمه فارسی مقاله شبکه‌های بیزی کولموگروف آرنولد (Bayesian_KANs): یک رویکرد احتمالاتی برای افزایش دقت و تفسیرپذیری

چکیده

Because of its strong predictive skills, deep learning has emerged as an essential tool in many industries, including healthcare. Traditional deep learning models, on the other hand, frequently lack interpretability and omit to take prediction uncertainty into account two crucial components of clinical decision making. In order to produce explainable and uncertainty aware predictions, this study presents a novel framework called Bayesian Kolmogorov Arnold Networks (BKANs), which combines the expressive capacity of Kolmogorov Arnold Networks with Bayesian inference. We employ BKANs on two medical datasets, which are widely used benchmarks for assessing machine learning models in medical diagnostics: the Pima Indians Diabetes dataset and the Cleveland Heart Disease dataset. Our method provides useful insights into prediction confidence and decision boundaries and outperforms traditional deep learning models in terms of prediction accuracy. Moreover, BKANs’ capacity to represent aleatoric and epistemic uncertainty guarantees doctors receive more solid and trustworthy decision support. Our Bayesian strategy improves the interpretability of the model and considerably minimises overfitting, which is important for tiny and imbalanced medical datasets, according to experimental results. We present possible expansions to further use BKANs in more complicated multimodal datasets and address the significance of these discoveries for future research in building reliable AI systems for healthcare. This work paves the way for a new paradigm in deep learning model deployment in vital sectors where transparency and reliability are crucial.

چکیده به فارسی (ترجمه ماشینی)

به دلیل مهارت های پیش بینی کننده قوی ، یادگیری عمیق به عنوان ابزاری اساسی در بسیاری از صنایع از جمله مراقبت های بهداشتی ظاهر شده است.از طرف دیگر ، مدلهای یادگیری عمیق سنتی ، اغلب فاقد تفسیر و حذف عدم اطمینان پیش بینی دو مؤلفه مهم تصمیم گیری بالینی هستند.به منظور تولید پیش بینی های آگاهانه قابل توضیح و عدم اطمینان ، این مطالعه یک چارچوب جدید به نام شبکه های آرنولد Bayesian Kolmogorov (BKANS) را ارائه می دهد ، که ترکیب ظرفیت بیان شبکه های Kolmogorov Arnold با استنتاج بیزی است.ما از BKAN ها در دو مجموعه داده پزشکی استفاده می کنیم ، که معیارهای گسترده ای برای ارزیابی مدل های یادگیری ماشین در تشخیص پزشکی استفاده می شوند: مجموعه داده های دیابت PIMA Indians و مجموعه داده های بیماری قلبی کلیولند.روش ما بینش مفیدی در مورد اعتماد به نفس و مرزهای تصمیم گیری ارائه می دهد و از نظر دقت پیش بینی از مدل های یادگیری عمیق سنتی بهتر است.علاوه بر این ، ظرفیت BKANS برای نمایندگی از عدم اطمینان و معرفتی ، تضمین می کند که پزشکان از تصمیم گیری محکم تر و قابل اعتماد تر برخوردار هستند.استراتژی بیزی ما ، تفسیر مدل را بهبود می بخشد و به طور قابل توجهی بیش از حد را به حداقل می رساند ، که براساس نتایج تجربی برای مجموعه داده های پزشکی ریز و نامتوازن مهم است.ما برای استفاده بیشتر از BKAN ها در مجموعه داده های چند حالته پیچیده تر و بررسی اهمیت این اکتشافات برای تحقیقات آینده در ساخت سیستم های AI قابل اعتماد برای مراقبت های بهداشتی ، گسترش های احتمالی را ارائه می دهیم.این کار راه را برای یک الگوی جدید در استقرار مدل یادگیری عمیق در بخش های حیاتی که شفافیت و قابلیت اطمینان بسیار مهم است ، هموار می کند.