اکسپرس 24
ترجمه فارسی مقاله مدل‌های ریاضی محاسبات در برهم‌نهی

ترجمه فارسی مقاله مدل‌های ریاضی محاسبات در برهم‌نهی

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 Mathematical Models of Computation in Superposition
عنوان مقاله به فارسی مدل‌های ریاضی محاسبات در برهم‌نهی
نویسندگان Kaarel Hänni, Jake Mendel, Dmitry Vaintrob, Lawrence Chan
فرمت مقاله انگلیسی PDF
تعداد صفحات 28
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 10 August, 2024; originally announced August 2024. , Comments: 28 pages, 5 figures. Published at the ICML 2024 Mechanistic Interpretability (MI) Workshop
توضیحات به فارسی ارسال شده 10 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 28 صفحه ، 5 شکل.منتشر شده در کارگاه تفسیر مکانیکی ICML 2024 (MI)

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,120,000 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

Superposition -- when a neural network represents more ``features'' than it has dimensions -- seems to pose a serious challenge to mechanistically interpreting current AI systems. Existing theory work studies emph{representational} superposition, where superposition is only used when passing information through bottlenecks. In this work, we present mathematical models of emph{computation} in superposition, where superposition is actively helpful for efficiently accomplishing the task. We first construct a task of efficiently emulating a circuit that takes the AND of the $binom{m}{2}$ pairs of each of $m$ features. We construct a 1-layer MLP that uses superposition to perform this task up to $varepsilon$-error, where the network only requires $tilde{O}(m^{frac{2}{3}})$ neurons, even when the input features are emph{themselves in superposition}. We generalize this construction to arbitrary sparse boolean circuits of low depth, and then construct ``error correction'' layers that allow deep fully-connected networks of width $d$ to emulate circuits of width $tilde{O}(d^{1.5})$ and emph{any} polynomial depth. We conclude by providing some potential applications of our work for interpreting neural networks that implement computation in superposition.

چکیده به فارسی (ترجمه ماشینی)

Supposition - هنگامی که یک شبکه عصبی نشان دهنده "ویژگی های" بیشتر از آن است - به نظر می رسد که یک چالش جدی برای تفسیر مکانیکی سیستم های هوش مصنوعی فعلی ایجاد می کند.مطالعات تئوری موجود emph {بازنمایی} نمایش ، که در آن از ترکیب فقط هنگام عبور اطلاعات از طریق تنگناها استفاده می شود.در این کار ، ما مدلهای ریاضی emph {محاسبه} را در ابر قرار می دهیم ، جایی که ابرحایل برای انجام کارآمد کار به طور فعال مفید است.ما ابتدا یک کار را برای تقلید کارآمد مدار می سازیم که و از $ binom {m} {2} $ از هر یک از ویژگی های $ m $ استفاده می کند.ما یک MLP 1 لایه ای را ایجاد می کنیم که از Supposition برای انجام این کار تا $ varepsilon $ -error استفاده می کند ، جایی که شبکه فقط به $ tilde {o} (m^{ frac {2 {3}) $ نیاز دارد.، حتی هنگامی که ویژگی های ورودی {{خود در ابر است.ما این ساخت و ساز را به مدارهای بولی پراکنده خودسرانه از عمق کم تعمیم می دهیم ، و سپس لایه های "اصلاح خطا" را ساختیم که به شبکه های کاملاً متصل به عرض $ d $ اجازه می دهد تا مدارهای عرض $ tilde {o} را تقلید کنند (d^{1.5}) $ و emph {هر عمق چند جمله ای.ما با ارائه برخی از برنامه های کاربردی بالقوه کار خود برای تفسیر شبکه های عصبی که محاسبات را به صورت فوق العاده انجام می دهند ، نتیجه می گیریم.

📚 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.