ترجمه فارسی مقاله یک چارچوب توضیح متضاد برای مدل‌های بازیابی

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 A Counterfactual Explanation Framework for Retrieval Models
عنوان مقاله به فارسی یک چارچوب توضیح متضاد برای مدل‌های بازیابی
نویسندگان Bhavik Chandna, Procheta Sen
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Information Retrieval,بازیابی اطلاعات ,
توضیحات Submitted 10 September, 2024; v1 submitted 1 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛V1 ارسال شده در 1 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
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

Explainability has become a crucial concern in today's world, aiming to enhance transparency in machine learning and deep learning models. Information retrieval is no exception to this trend. In existing literature on explainability of information retrieval, the emphasis has predominantly been on illustrating the concept of relevance concerning a retrieval model. The questions addressed include why a document is relevant to a query, why one document exhibits higher relevance than another, or why a specific set of documents is deemed relevant for a query. However, limited attention has been given to understanding why a particular document is considered non-relevant to a query with respect to a retrieval model. In an effort to address this gap, our work focus on the question of what terms need to be added within a document to improve its ranking. This in turn answers the question of which words played a role in not being favored by a retrieval model for a particular query. We use an optimization framework to solve the above-mentioned research problem. % To the best of our knowledge, we mark the first attempt to tackle this specific counterfactual problem. Our experiments show the effectiveness of our proposed approach in predicting counterfactuals for both statistical (e.g. BM25) and deep-learning-based models (e.g. DRMM, DSSM, ColBERT).

چکیده به فارسی (ترجمه ماشینی)

توضیح با هدف تقویت شفافیت در یادگیری ماشین و مدل های یادگیری عمیق ، به یک نگرانی اساسی در دنیای امروز تبدیل شده است.بازیابی اطلاعات از این روند نیز از این قاعده مستثنی نیست.در ادبیات موجود در مورد توضیح قابلیت بازیابی اطلاعات ، تأکید بیشتر بر نشان دادن مفهوم ارتباط در مورد یک مدل بازیابی است.سؤالات مورد توجه شامل این است که چرا یک سند مربوط به یک پرس و جو است ، چرا یک سند از اهمیت بیشتری نسبت به دیگری برخوردار است ، یا اینکه چرا مجموعه خاصی از اسناد برای یک پرس و جو مرتبط است.با این حال ، توجه محدودی به درک این موضوع که چرا یک سند خاص با توجه به یک مدل بازیابی ، غیر مرتبط با یک پرس و جو در نظر گرفته می شود.در تلاش برای پرداختن به این شکاف ، کار ما بر این سؤال متمرکز است که برای بهبود رتبه آن چه شرایطی باید در یک سند اضافه شود.این به نوبه خود به این سؤال پاسخ می دهد که کدام کلمات در عدم حمایت از یک مدل بازیابی برای یک پرس و جو خاص نقش داشته اند.ما از یک چارچوب بهینه سازی برای حل مسئله تحقیق فوق استفاده می کنیم.٪ به بهترین دانش ما ، ما اولین تلاش برای مقابله با این مشکل خاص ضد خلاف را نشان می دهیم.آزمایشات ما اثربخشی رویکرد پیشنهادی ما در پیش بینی ضد بروز برای هر دو مدل آماری (به عنوان مثال BM25) و مدل های مبتنی بر یادگیری عمیق (به عنوان مثال DRMM ، DSSM ، کلبرت) را نشان می دهد.

📚 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.