ترجمه فارسی مقاله رمزگذار خودکار متغیر متمایز گوسی (GdVAE): یک مدل خود توضیحی با توضیحات خلاف واقع

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی The Gaussian Discriminant Variational Autoencoder (GdVAE): A Self-Explainable Model with Counterfactual Explanations
عنوان مقاله به فارسی رمزگذار خودکار متغیر متمایز گوسی (GdVAE): یک مدل خود توضیحی با توضیحات خلاف واقع
نویسندگان Anselm Haselhoff, Kevin Trelenberg, Fabian Küppers, Jonas Schneider
فرمت مقاله انگلیسی PDF
تعداد صفحات 48
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 19 September, 2024; originally announced September 2024. , Comments: Accepted paper at the ECCV 2024
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد. ، نظرات: مقاله پذیرفته شده در ECCV 2024
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Visual counterfactual explanation (CF) methods modify image concepts, e.g, shape, to change a prediction to a predefined outcome while closely resembling the original query image. Unlike self-explainable models (SEMs) and heatmap techniques, they grant users the ability to examine hypothetical "what-if" scenarios. Previous CF methods either entail post-hoc training, limiting the balance between transparency and CF quality, or demand optimization during inference. To bridge the gap between transparent SEMs and CF methods, we introduce the GdVAE, a self-explainable model based on a conditional variational autoencoder (CVAE), featuring a Gaussian discriminant analysis (GDA) classifier and integrated CF explanations. Full transparency is achieved through a generative classifier that leverages class-specific prototypes for the downstream task and a closed-form solution for CFs in the latent space. The consistency of CFs is improved by regularizing the latent space with the explainer function. Extensive comparisons with existing approaches affirm the effectiveness of our method in producing high-quality CF explanations while preserving transparency. Code and models are public.

چکیده به فارسی (ترجمه ماشینی)

روشهای توضیحات ضد خلاف بصری (CF) مفاهیم تصویر را تغییر می دهد ، به عنوان مثال شکل ، برای تغییر پیش بینی به یک نتیجه از پیش تعریف شده در حالی که از نزدیک شبیه به تصویر پرس و جو اصلی است.بر خلاف مدل های قابل توضیح (SEM) و تکنیک های HeatMap ، آنها به کاربران این امکان را می دهند که سناریوهای فرضی "What-If" را بررسی کنند.روشهای CF قبلی یا مستلزم آموزش تعقیله ، محدود کردن تعادل بین شفافیت و کیفیت CF یا بهینه سازی تقاضا در هنگام استنتاج است.برای ایجاد شکاف بین SEM های شفاف و روش های CF ، ما GDVAE ، یک مدل قابل بیان را بر اساس یک اتوآنمان متغیر مشروط (CVAE) معرفی می کنیم ، که دارای یک طبقه بندی کننده تجزیه و تحلیل تبعیض آمیز گاوسی (GDA) و توضیحات CF یکپارچه است.شفافیت کامل از طریق یک طبقه بندی کننده تولیدی حاصل می شود که از نمونه های خاص کلاس برای کار پایین دست و یک راه حل بسته برای CFS در فضای نهفته استفاده می کند.قوام CFS با تنظیم فضای نهفته با عملکرد توضیح دهنده بهبود می یابد.مقایسه های گسترده با رویکردهای موجود اثربخشی روش ما در تولید توضیحات CF با کیفیت بالا ضمن حفظ شفافیت را تأیید می کند.کد و مدل ها عمومی هستند.

📚 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.