بهبود مفهوم توضیح هر مفهوم با معرفی غیرخطی به مدل جایگزین قابل آموزش

عنوان بهبود مفهوم توضیح هر مفهوم با معرفی غیرخطی به مدل جایگزین قابل آموزش
نویسنده اوزر، صدات، زاوال، مونس
تاریخ انتشار: 2024-01-01
محل انتشار - IEEE
موضوع SAM، توضیح هر مفهوم، XAI، توضیح پذیری
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 979-835038896-1
شماره ثبت 5ae8b083-3567-49b7-b77b-e6fa4ab030b8
محل کتابخانه علوم کامپیوتر
تاریخ 2024-01-01
متن نمونه در زمینه در حال تکامل هوش مصنوعی قابل توضیح (XAI)، تفسیر تصمیمات شبکه های عصبی عمیق (DNN) در وظایف بینایی کامپیوتر یک فرآیند مهم است. در حالی که روش‌های XAI مبتنی بر پیکسل بر شناسایی پیکسل‌های مهم تمرکز می‌کنند، روش‌های XAI مبتنی بر مفهوم موجود از مفاهیم از پیش تعریف‌شده یا مشروح‌شده توسط انسان استفاده می‌کنند. مدل Segment Anything Model (SAM) که اخیراً پیشنهاد شده است، یک گام مهم به جلو برای آماده سازی مجموعه های مفهومی خودکار از طریق تقسیم بندی نمونه جامع به دست آورد. بر اساس این، مدل Explain Any Concept (EAC) به عنوان یک روش منعطف برای توضیح تصمیمات DNN ظاهر شد. مدل EAC مبتنی بر استفاده از یک مدل جایگزین است که دارای یک لایه خطی قابل آموزش برای شبیه‌سازی مدل هدف است. در این مقاله، با معرفی یک لایه غیرخطی اضافی به مدل جایگزین اصلی، نشان می‌دهیم که می‌توانیم عملکرد مدل EAC را بهبود بخشیم. ما رویکرد پیشنهادی خود را با مدل اصلی EAC مقایسه می‌کنیم و بهبودهای به‌دست‌آمده در هر دو مجموعه داده ImageNet و MS COCO را گزارش می‌کنیم.
DOI 10.1109/SIU61531.2024.10600959
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی دانشگاه اوزیغین

بهبود مفهوم توضیح هر مفهوم با معرفی غیرخطی به مدل جایگزین قابل آموزش

نویسنده اوزر، صدات، زاوال، مونس
تاریخ انتشار 2024-01-01
محل انتشار - IEEE
موضوع SAM، توضیح هر مفهوم، XAI، توضیح پذیری
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 979-835038896-1
شماره ثبت 5ae8b083-3567-49b7-b77b-e6fa4ab030b8
محل کتابخانه علوم کامپیوتر
تاریخ 2024-01-01
متن نمونه در زمینه در حال تکامل هوش مصنوعی قابل توضیح (XAI)، تفسیر تصمیمات شبکه های عصبی عمیق (DNN) در وظایف بینایی کامپیوتر یک فرآیند مهم است. در حالی که روش‌های XAI مبتنی بر پیکسل بر شناسایی پیکسل‌های مهم تمرکز می‌کنند، روش‌های XAI مبتنی بر مفهوم موجود از مفاهیم از پیش تعریف‌شده یا مشروح‌شده توسط انسان استفاده می‌کنند. مدل Segment Anything Model (SAM) که اخیراً پیشنهاد شده است، یک گام مهم به جلو برای آماده سازی مجموعه های مفهومی خودکار از طریق تقسیم بندی نمونه جامع به دست آورد. بر اساس این، مدل Explain Any Concept (EAC) به عنوان یک روش منعطف برای توضیح تصمیمات DNN ظاهر شد. مدل EAC مبتنی بر استفاده از یک مدل جایگزین است که دارای یک لایه خطی قابل آموزش برای شبیه‌سازی مدل هدف است. در این مقاله، با معرفی یک لایه غیرخطی اضافی به مدل جایگزین اصلی، نشان می‌دهیم که می‌توانیم عملکرد مدل EAC را بهبود بخشیم. ما رویکرد پیشنهادی خود را با مدل اصلی EAC مقایسه می‌کنیم و بهبودهای به‌دست‌آمده در هر دو مجموعه داده ImageNet و MS COCO را گزارش می‌کنیم.
DOI 10.1109/SIU61531.2024.10600959
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید