ترجمه فارسی مقاله چه موقع باید پیش بینی های خودکار را بپذیریم و چه موقع به قضاوت انسانی تعویق می کنیم؟

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 When to Accept Automated Predictions and When to Defer to Human Judgment?
عنوان مقاله به فارسی چه موقع باید پیش بینی های خودکار را بپذیریم و چه موقع به قضاوت انسانی تعویق می کنیم؟
نویسندگان Daniel Sikar, Artur Garcez, Tillman Weyde, Robin Bloomfield, Kaleem Peeroo
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 13 August, 2024; v1 submitted 10 July, 2024; originally announced July 2024. , Comments: 9 pages, 10 figures, 3 tables
توضیحات به فارسی ارسال شده در 13 اوت 2024 ؛V1 ارسال شده 10 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد ، نظرات: 9 صفحه ، 10 شکل ، 3 جدول
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

Ensuring the reliability and safety of automated decision-making is crucial. It is well-known that data distribution shifts in machine learning can produce unreliable outcomes. This paper proposes a new approach for measuring the reliability of predictions under distribution shifts. We analyze how the outputs of a trained neural network change using clustering to measure distances between outputs and class centroids. We propose this distance as a metric to evaluate the confidence of predictions under distribution shifts. We assign each prediction to a cluster with centroid representing the mean softmax output for all correct predictions of a given class. We then define a safety threshold for a class as the smallest distance from an incorrect prediction to the given class centroid. We evaluate the approach on the MNIST and CIFAR-10 datasets using a Convolutional Neural Network and a Vision Transformer, respectively. The results show that our approach is consistent across these data sets and network models, and indicate that the proposed metric can offer an efficient way of determining when automated predictions are acceptable and when they should be deferred to human operators given a distribution shift.

چکیده به فارسی (ترجمه ماشینی)

اطمینان از قابلیت اطمینان و ایمنی تصمیم گیری خودکار بسیار مهم است.کاملاً مشهور است که تغییر توزیع داده ها در یادگیری ماشین می تواند نتایج غیرقابل اطمینان ایجاد کند.در این مقاله یک رویکرد جدید برای اندازه گیری قابلیت اطمینان پیش بینی ها در تغییر توزیع ارائه شده است.ما تجزیه و تحلیل می کنیم که چگونه خروجی های یک شبکه عصبی آموزش دیده با استفاده از خوشه بندی برای اندازه گیری فاصله بین خروجی ها و سانتروئیدهای کلاس تغییر می کند.ما این فاصله را به عنوان یک متریک برای ارزیابی اعتماد به نفس پیش بینی ها تحت تغییر توزیع پیشنهاد می کنیم.ما هر پیش بینی را به یک خوشه با سانتروئید نشان می دهیم که میانگین خروجی Softmax برای همه پیش بینی های صحیح یک کلاس معین است.سپس آستانه ایمنی را برای یک کلاس به عنوان کوچکترین فاصله از یک پیش بینی نادرست به مرکز کلاس داده شده تعریف می کنیم.ما رویکرد در مجموعه داده های MNIST و CIFAR-10 را به ترتیب با استفاده از یک شبکه عصبی حلقوی و یک ترانسفورماتور بینایی ارزیابی می کنیم.نتایج نشان می دهد که رویکرد ما در بین این مجموعه داده ها و مدل های شبکه سازگار است ، و نشان می دهد که متریک پیشنهادی می تواند یک روش کارآمد برای تعیین زمان پیش بینی های خودکار قابل قبول باشد و هنگامی که باید با توجه به تغییر توزیع ، به اپراتورهای انسانی تعویق شود.

📚 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.