ترجمه فارسی مقاله تصمیم‌گیرنده: استفاده از مدل‌های پیشین بنیاد برای بهبود تشخیص و توضیح شکست مدل

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 DECIDER: Leveraging Foundation Model Priors for Improved Model Failure Detection and Explanation
عنوان مقاله به فارسی تصمیم‌گیرنده: استفاده از مدل‌های پیشین بنیاد برای بهبود تشخیص و توضیح شکست مدل
نویسندگان Rakshith Subramanyam, Kowshik Thopalli, Vivek Narayanaswamy, Jayaraman J. Thiagarajan
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
دسته بندی موضوعات Computer Vision and Pattern Recognition,چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 1 August, 2024; originally announced August 2024. , Comments: Accepted at ECCV (European Conference on Computer Vision) 2024
توضیحات به فارسی ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: پذیرفته شده در ECCV (کنفرانس اروپایی در مورد دید رایانه) 2024

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: 1,080,000 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

Reliably detecting when a deployed machine learning model is likely to fail on a given input is crucial for ensuring safe operation. In this work, we propose DECIDER (Debiasing Classifiers to Identify Errors Reliably), a novel approach that leverages priors from large language models (LLMs) and vision-language models (VLMs) to detect failures in image classification models. DECIDER utilizes LLMs to specify task-relevant core attributes and constructs a ``debiased'' version of the classifier by aligning its visual features to these core attributes using a VLM, and detects potential failure by measuring disagreement between the original and debiased models. In addition to proactively identifying samples on which the model would fail, DECIDER also provides human-interpretable explanations for failure through a novel attribute-ablation strategy. Through extensive experiments across diverse benchmarks spanning subpopulation shifts (spurious correlations, class imbalance) and covariate shifts (synthetic corruptions, domain shifts), DECIDER consistently achieves state-of-the-art failure detection performance, significantly outperforming baselines in terms of the overall Matthews correlation coefficient as well as failure and success recall. Our codes can be accessed at~url{https://github.com/kowshikthopalli/DECIDER/}

چکیده به فارسی (ترجمه ماشینی)

با اطمینان تشخیص هنگامی که یک مدل یادگیری ماشین مستقر در یک ورودی مشخص شکست می خورد ، برای اطمینان از عملکرد ایمن بسیار مهم است.در این کار ، ما تصمیم گیری را پیشنهاد می کنیم (طبقه بندی کننده های debiasing برای شناسایی خطاها به طور قابل اعتماد) ، یک رویکرد جدید که از مدل های بزرگ زبان (LLMS) و مدل های بینایی زبان (VLMS) استفاده می کند تا در مدل های طبقه بندی تصویر خرابی ها را تشخیص دهد.Decider از LLMS برای مشخص کردن ویژگی های اصلی مربوط به کار استفاده می کند و با تراز کردن ویژگی های بصری خود به این ویژگی های اصلی با استفاده از VLM ، نسخه "debiased" طبقه بندی کننده را ایجاد می کند و با اندازه گیری اختلاف بین مدل های اصلی و debiased ، خرابی بالقوه را تشخیص می دهد.علاوه بر شناسایی پیشرو نمونه هایی که مدل در آن شکست می خورد ، تصمیم گیری همچنین توضیحات قابل تفسیر انسان را برای عدم موفقیت از طریق یک استراتژی جدید و ویژگی های جدید ارائه می دهد.از طریق آزمایش های گسترده در معیارهای متنوعی که تغییر شکل زیر گروهی (همبستگی های فریبنده ، عدم تعادل کلاس) و تغییر متغیر (فساد مصنوعی ، تغییر دامنه) ، تصمیم گیری به طور مداوم به عملکرد تشخیصی ناکامی در حال انجام است ، به طور قابل توجهی از خطوط پایه از نظر متدس های کلی خارج می شود.ضریب همبستگی و همچنین عدم موفقیت و فراخوان موفقیت.به کدهای ما می توان در ~ url {https://github.com/kowshikthopalli/decider/} دسترسی پیدا کرد

📚 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.