اکسپرس 24
ترجمه فارسی مقاله VLG-CBM: مدل‌های گلوگاه مفهوم آموزش با راهنمایی بصری-زبانی

ترجمه فارسی مقاله VLG-CBM: مدل‌های گلوگاه مفهوم آموزش با راهنمایی بصری-زبانی

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 VLG-CBM: Training Concept Bottleneck Models with Vision-Language Guidance
عنوان مقاله به فارسی VLG-CBM: مدل‌های گلوگاه مفهوم آموزش با راهنمایی بصری-زبانی
نویسندگان Divyansh Srivastava, Ge Yan, Tsui-Wei Weng
فرمت مقاله انگلیسی PDF
تعداد صفحات 31
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 18 July, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 18 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 1,240,000 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

Concept Bottleneck Models (CBMs) provide interpretable prediction by introducing an intermediate Concept Bottleneck Layer (CBL), which encodes human-understandable concepts to explain models' decision. Recent works proposed to utilize Large Language Models (LLMs) and pre-trained Vision-Language Models (VLMs) to automate the training of CBMs, making it more scalable and automated. However, existing approaches still fall short in two aspects: First, the concepts predicted by CBL often mismatch the input image, raising doubts about the faithfulness of interpretation. Second, it has been shown that concept values encode unintended information: even a set of random concepts could achieve comparable test accuracy to state-of-the-art CBMs. To address these critical limitations, in this work, we propose a novel framework called Vision-Language-Guided Concept Bottleneck Model (VLG-CBM) to enable faithful interpretability with the benefits of boosted performance. Our method leverages off-the-shelf open-domain grounded object detectors to provide visually grounded concept annotation, which largely enhances the faithfulness of concept prediction while further improving the model performance. In addition, we propose a new metric called Number of Effective Concepts (NEC) to control the information leakage and provide better interpretability. Extensive evaluations across five standard benchmarks show that our method, VLG-CBM, outperforms existing methods by at least 4.27% and up to 51.09% on accuracy at NEC=5, and by at least 0.45% and up to 29.78% on average accuracy across different NECs, while preserves both faithfulness and interpretability of the learned concepts as demonstrated in extensive experiments.

چکیده به فارسی (ترجمه ماشینی)

مدل های تنگنا مفهومی (CBM) با معرفی یک لایه تنگنای مفهومی واسطه (CBL) ، پیش بینی قابل تفسیر را ارائه می دهند ، که مفاهیم قابل درک انسان را برای توضیح تصمیم مدل ها رمزگذاری می کند.آثار اخیر برای استفاده از مدل های بزرگ زبان (LLMS) و مدل های قبل از آموزش دیدگاه (VLMS) برای خودکارسازی آموزش CBMS ارائه شده است و آن را مقیاس پذیر تر و خودکار تر می کند.با این حال ، رویکردهای موجود هنوز از دو جنبه کوتاه می آیند: اول ، مفاهیم پیش بینی شده توسط CBL غالباً تصویر ورودی را ناسازگار می کنند و در مورد وفاداری تفسیر شک می کنند.دوم ، نشان داده شده است که مقادیر مفهومی اطلاعات ناخواسته را رمزگذاری می کنند: حتی مجموعه ای از مفاهیم تصادفی می توانند به دقت آزمون قابل مقایسه با CBM های پیشرفته دست یابند.برای پرداختن به این محدودیت های مهم ، در این کار ، ما یک چارچوب جدید به نام مدل تنگنای مفهومی با هدایت به زبان (VLG-CBM) پیشنهاد می کنیم تا تفسیر وفادار را با مزایای تقویت عملکرد فعال کنیم.روش ما برای ارائه حاشیه نویسی مفهوم بصری ، که تا حد زیادی وفاداری پیش بینی مفهوم را تقویت می کند ، ضمن بهبود بیشتر عملکرد مدل ، از ردیاب های شیء مبتنی بر دامنه باز استفاده می کند.علاوه بر این ، ما یک متریک جدید به نام تعداد مفاهیم مؤثر (NEC) برای کنترل نشت اطلاعات و ارائه تفسیر بهتر پیشنهاد می کنیم.ارزیابی های گسترده در پنج معیار استاندارد نشان می دهد که روش ما ، VLG-CBM ، از روشهای موجود حداقل 4.27 ٪ و تا 51.09 ٪ در دقت در NEC = 5 و حداقل 0.45 ٪ و تا 29.78 ٪ به طور متوسط ​​در دقت در سراسر دقت می کند.NEC های مختلف ، در حالی که هم وفاداری و هم تفسیر مفاهیم آموخته شده را که در آزمایش های گسترده نشان داده شده است ، حفظ می کند.

📚 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.