ترجمه فارسی مقاله تقویت تفسیر مدل با انتساب محلی در اکتشافات جهانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Enhancing Model Interpretability with Local Attribution over Global Exploration
عنوان مقاله به فارسی تقویت تفسیر مدل با انتساب محلی در اکتشافات جهانی
نویسندگان Zhiyu Zhu, Zhibo Jin, Jiayu Zhang, Huaming Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 14 August, 2024; originally announced August 2024. , Comments: Accepted by ACMMM 2024
توضیحات به فارسی ارسال شده در 14 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده توسط ACMMM 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

In the field of artificial intelligence, AI models are frequently described as `black boxes' due to the obscurity of their internal mechanisms. It has ignited research interest on model interpretability, especially in attribution methods that offers precise explanations of model decisions. Current attribution algorithms typically evaluate the importance of each parameter by exploring the sample space. A large number of intermediate states are introduced during the exploration process, which may reach the model's Out-of-Distribution (OOD) space. Such intermediate states will impact the attribution results, making it challenging to grasp the relative importance of features. In this paper, we firstly define the local space and its relevant properties, and we propose the Local Attribution (LA) algorithm that leverages these properties. The LA algorithm comprises both targeted and untargeted exploration phases, which are designed to effectively generate intermediate states for attribution that thoroughly encompass the local space. Compared to the state-of-the-art attribution methods, our approach achieves an average improvement of 38.21\% in attribution effectiveness. Extensive ablation studies in our experiments also validate the significance of each component in our algorithm. Our code is available at: https://github.com/LMBTough/LA/

چکیده به فارسی (ترجمه ماشینی)

در زمینه هوش مصنوعی ، مدل های هوش مصنوعی به دلیل گمنامی مکانیسم های داخلی آنها ، اغلب به عنوان "جعبه های سیاه" توصیف می شوند.این امر علاقه تحقیقاتی را در مورد تفسیر مدل ، به ویژه در روشهای انتساب که توضیحات دقیقی از تصمیمات مدل ارائه می دهد ، نادیده گرفته است.الگوریتم های انتساب فعلی به طور معمول با کاوش در فضای نمونه ، اهمیت هر پارامتر را ارزیابی می کنند.تعداد زیادی از کشورهای میانی در طی فرآیند اکتشاف معرفی می شوند که ممکن است به فضای خارج از توزیع (OOD) مدل برسد.چنین کشورهای واسطه ای بر نتایج انتساب تأثیر می گذارد و درک اهمیت نسبی ویژگی ها را به چالش می کشد.در این مقاله ، ابتدا فضای محلی و خصوصیات مربوط به آن را تعریف می کنیم و الگوریتم انتساب محلی (LA) را پیشنهاد می کنیم که از این خصوصیات استفاده می کند.الگوریتم LA هر دو مرحله اکتشافی هدفمند و بدون هدف را شامل می شود ، که به منظور تولید موثر حالت های واسطه ای برای انتساب که کاملاً شامل فضای محلی است ، طراحی شده اند.در مقایسه با روشهای پیشرفته و پیشرفته ، رویکرد ما به بهبود متوسط ​​38.21 \ ٪ در اثربخشی انتساب دست می یابد.مطالعات گسترده فرسایش در آزمایشات ما نیز اهمیت هر مؤلفه در الگوریتم ما را تأیید می کند.کد ما در: https://github.com/lmbtough/la/ در دسترس است

📚 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.