ترجمه فارسی مقاله تراز کردن دستگاه و نمایش های بصری انسان در سطح انتزاع
عنوان مقاله به انگلیسی
Aligning Machine and Human Visual Representations across Abstraction Levels
عنوان مقاله به فارسی
تراز کردن دستگاه و نمایش های بصری انسان در سطح انتزاع
نویسندگان
Lukas Muttenthaler, Klaus Greff, Frieda Born, Bernhard Spitzer, Simon Kornblith, Michael C. Mozer, Klaus-Robert Müller, Thomas Unterthiner, Andrew K. Lampinen
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Deep neural networks have achieved success across a wide range of applications, including as models of human behavior in vision tasks. However, neural network training and human learning differ in fundamental ways, and neural networks often fail to generalize as robustly as humans do, raising questions regarding the similarity of their underlying representations. What is missing for modern learning systems to exhibit more human-like behavior? We highlight a key misalignment between vision models and humans: whereas human conceptual knowledge is hierarchically organized from fine- to coarse-scale distinctions, model representations do not accurately capture all these levels of abstraction. To address this misalignment, we first train a teacher model to imitate human judgments, then transfer human-like structure from its representations into pretrained state-of-the-art vision foundation models. These human-aligned models more accurately approximate human behavior and uncertainty across a wide range of similarity tasks, including a new dataset of human judgments spanning multiple levels of semantic abstractions. They also perform better on a diverse set of machine learning tasks, increasing generalization and out-of-distribution robustness. Thus, infusing neural networks with additional human knowledge yields a best-of-both-worlds representation that is both more consistent with human cognition and more practically useful, thus paving the way toward more robust, interpretable, and human-like artificial intelligence systems.
چکیده به فارسی (ترجمه ماشینی)
شبکه های عصبی عمیق در طیف گسترده ای از برنامه ها ، از جمله به عنوان مدل های رفتار انسان در کارهای بینایی ، به موفقیت رسیده اند.با این حال ، آموزش شبکه عصبی و یادگیری انسان از نظر روشهای اساسی متفاوت است ، و شبکه های عصبی اغلب به همان اندازه که انسان انجام می شود ، نمی توانند تعمیم دهند و سؤالاتی را در مورد شباهت بازنمودهای اساسی خود ایجاد می کنند.چه چیزی برای سیستم های یادگیری مدرن برای نمایش رفتارهای بیشتر انسان وجود ندارد؟ما یک سوء استفاده اساسی بین مدل های بینایی و انسان را برجسته می کنیم: در حالی که دانش مفهومی انسان از نظر سلسله مراتبی از تمایزهای در مقیاس ریز تا درشت سازماندهی می شود ، بازنمودهای مدل به طور دقیق تمام این سطوح انتزاع را ضبط نمی کنند.برای پرداختن به این سوءاستفاده ، ابتدا یک الگوی معلم را برای تقلید از قضاوت های انسانی آموزش می دهیم ، سپس ساختار مانند انسان را از بازنمایی های آن به مدلهای بنیاد پیشرفته و پیشرفته منتقل می کنیم.این مدلهای وابسته به انسان با دقت بیشتری رفتار و عدم اطمینان انسان در طیف گسترده ای از کارهای شباهت ، از جمله مجموعه داده های جدید احکام انسانی که دارای چندین سطح از انتزاع معنایی هستند ، تقریبی است.آنها همچنین در مجموعه متنوعی از کارهای یادگیری ماشین ، افزایش تعمیم و استحکام خارج از توزیع عملکرد بهتری دارند.بنابراین ، تزریق شبکه های عصبی با دانش اضافی بشر ، بهترین نمایش در هر دو جهان را به همراه دارد که هم با شناخت انسان سازگارتر است و هم از نظر عملی مفیدتر است ، بنابراین راه را به سمت سیستم های هوش مصنوعی قوی تر ، قابل تفسیر و انسانی هموار می کند.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
