اکسپرس 24
ترجمه فارسی مقاله از اهمیت ویژگی‌ها تا توضیحات زبان طبیعی با استفاده از LLMها به همراه RAG

ترجمه فارسی مقاله از اهمیت ویژگی‌ها تا توضیحات زبان طبیعی با استفاده از LLMها به همراه RAG

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی From Feature Importance to Natural Language Explanations Using LLMs with RAG
عنوان مقاله به فارسی از اهمیت ویژگی‌ها تا توضیحات زبان طبیعی با استفاده از LLMها به همراه RAG
نویسندگان Sule Tekkesinoglu, Lars Kunze
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
دسته بندی موضوعات Artificial Intelligence,Computation and Language,Computer Vision and Pattern Recognition,Human-Computer Interaction,Machine Learning,هوش مصنوعی , محاسبات و زبان , چشم انداز رایانه و تشخیص الگوی , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات Submitted 30 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال شده 30 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 720,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

As machine learning becomes increasingly integral to autonomous decision-making processes involving human interaction, the necessity of comprehending the model's outputs through conversational means increases. Most recently, foundation models are being explored for their potential as post hoc explainers, providing a pathway to elucidate the decision-making mechanisms of predictive models. In this work, we introduce traceable question-answering, leveraging an external knowledge repository to inform the responses of Large Language Models (LLMs) to user queries within a scene understanding task. This knowledge repository comprises contextual details regarding the model's output, containing high-level features, feature importance, and alternative probabilities. We employ subtractive counterfactual reasoning to compute feature importance, a method that entails analysing output variations resulting from decomposing semantic features. Furthermore, to maintain a seamless conversational flow, we integrate four key characteristics - social, causal, selective, and contrastive - drawn from social science research on human explanations into a single-shot prompt, guiding the response generation process. Our evaluation demonstrates that explanations generated by the LLMs encompassed these elements, indicating its potential to bridge the gap between complex model outputs and natural language expressions.

چکیده به فارسی (ترجمه ماشینی)

از آنجا که یادگیری ماشین به طور فزاینده ای با فرآیندهای تصمیم گیری خودمختار که شامل تعامل انسان است ، یکپارچه می شود ، ضرورت درک خروجی های مدل از طریق معنی مکالمه افزایش می یابد.اخیراً ، مدل های بنیاد به دلیل پتانسیل خود به عنوان توضیح دهنده های تعقیبی مورد بررسی قرار می گیرند و راهی برای روشن شدن مکانیسم های تصمیم گیری مدل های پیش بینی کننده فراهم می کنند.در این کار ، ما با پاسخ به سؤال قابل ردیابی را معرفی می کنیم و از یک مخزن دانش خارجی استفاده می کنیم تا پاسخ های مدل های بزرگ زبان (LLM) را به نمایش داده های کاربر در یک کار درک صحنه اطلاع دهیم.این مخزن دانش شامل جزئیات متنی در مورد خروجی مدل ، حاوی ویژگی های سطح بالا ، اهمیت ویژگی و احتمالات جایگزین است.ما برای محاسبه اهمیت ویژگی ، از استدلال ضد خلاف واقع استفاده می کنیم ، روشی که مستلزم تجزیه و تحلیل تغییرات خروجی ناشی از تجزیه ویژگی های معنایی است.علاوه بر این ، برای حفظ یک جریان مکالمه یکپارچه ، ما چهار ویژگی کلیدی - اجتماعی ، علّی ، انتخابی و متضاد - را که از تحقیقات علوم اجتماعی در مورد توضیحات انسانی به یک سریع تک شات گرفته شده است ، ادغام می کنیم و روند تولید پاسخ را هدایت می کنیم.ارزیابی ما نشان می دهد که توضیحات ایجاد شده توسط LLMS شامل این عناصر است ، و این نشانگر پتانسیل آن برای ایجاد شکاف بین خروجی های مدل پیچیده و عبارات زبان طبیعی است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.