اثرات تعداد کم نمونه اولیه بر تفسیرپذیری و تشابه مدل ML

:::اطلاعات
نویسندگان:

(1) امید داوودی، دانشگاه کارلتون، دانشکده علوم کامپیوتر;

(2) شایان محمدی زاده سماکوش، دانشگاه صنعتی شریف، گروه مهندسی کامپیوتر;

(3) مجید کمیلی، دانشگاه کارلتون، دانشکده علوم کامپیوتر.

:::

چکیده و مقدمه

اطلاعات پس زمینه

روش شناسی

قابلیت تفسیر نمونه اولیه

شباهت نمونه اولیه-پرس و جو

تفسیرپذیری فرآیند تصمیم گیری

اثرات تعداد کم نمونه اولیه

بحث ها

اثرات تعداد کم نمونه اولیه

در طول آماده سازی برای آزمایش های خود، ما متوجه یک پدیده غیرمنتظره برای شباهت نمونه اولیه شدیم. در برخی از ترکیب‌های مجموعه داده/روش، دستیابی به دقت طبقه‌بندی بالای بیش از 80 درصد تنها با یک نمونه اولیه در هر کلاس امکان‌پذیر بود. به عنوان مثال، TesNet زمانی که تنها با استفاده از 7 نمونه اولیه در زیر مجموعه ImageNet آموزش داده شد، توانست به دقت حدود 88 درصد دست یابد. در این مثال، شباهت یک نمونه اولیه با فعال سازی آن بسیار کم بود. این امر برخی از محدودیت های این روش ها را روشن می کند.

طبقه‌بندی‌کننده‌های مبتنی بر نمونه اولیه، در نهایت، مدل‌های متمایز هستند. این در تضاد با نحوه درک آنها از دیدگاه تفسیرپذیری است. وقتی انسان ها به توضیحات ارائه شده برای تصمیم نگاه می کنند، شباهت بین نمونه های اولیه و…