दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

आईटीएल-लाइम: कम संसाधन वाले डेटा सेटिंग्स में स्थानीय स्पष्टीकरण को बढ़ाने के लिए इंस्टेंस-आधारित ट्रांसफर लर्निंग

Created by
  • Haebom

लेखक

रेहान रज़ा, गुआनजिन वांग, कोक वाई वोंग, हामिद लागा, मार्को फिसिचेला

रूपरेखा

डेटा-विहीन वातावरणों में व्याख्या योग्य कृत्रिम बुद्धिमत्ता (XAI) विधियों की विश्वसनीयता और स्थिरता के मुद्दों को संबोधित करने के लिए, यह शोधपत्र इंस्टेंस-आधारित ट्रांसफर लर्निंग (ITL-LIME) का प्रस्ताव करता है, जो इंस्टेंस-आधारित ट्रांसफर लर्निंग को LIME फ्रेमवर्क में एकीकृत करता है। पारंपरिक LIME में यादृच्छिक गड़बड़ी और नमूनाकरण के कारण होने वाली स्थानीयता और अस्थिरता के मुद्दों को संबोधित करने के लिए, हम लक्ष्य डोमेन की व्याख्या करने में सहायता के लिए संबंधित स्रोत डोमेन से वास्तविक इंस्टेंस का लाभ उठाते हैं। हम स्रोत डोमेन को क्लस्टर करते हैं, लक्ष्य इंस्टेंस के सबसे समान प्रोटोटाइप वाले क्लस्टर से प्रासंगिक इंस्टेंस प्राप्त करते हैं, और उन्हें लक्ष्य इंस्टेंस के पड़ोसी इंस्टेंस के साथ संयोजित करते हैं। हम एक कंट्रास्टिव लर्निंग-आधारित एनकोडर का उपयोग करके इंस्टेंस को भारित करते हैं, और व्याख्याएँ उत्पन्न करने के लिए भारित स्रोत और लक्ष्य इंस्टेंस का उपयोग करके एक सरोगेट मॉडल को प्रशिक्षित करते हैं।

Takeaways, Limitations

Takeaways:
डेटा-विहीन वातावरण में LIME स्पष्टीकरण की विश्वसनीयता और स्थिरता में सुधार करना।
ट्रांसफर लर्निंग का उपयोग करने वाला एक नया LIME फ्रेमवर्क
विपरीत शिक्षण पर आधारित भारांकन के माध्यम से स्पष्टीकरण सटीकता में सुधार करना।
वास्तविक डेटा का लाभ उठाने वाली गड़बड़ी विधियों का उपयोग करके यथार्थवादी स्पष्टीकरण उत्पन्न करना।
Limitations:
स्रोत और लक्ष्य डोमेन के बीच समानता पर निर्भरता
क्लस्टरिंग और प्रोटोटाइप चयन विधियों के प्रति प्रदर्शन संवेदनशीलता
कंट्रास्टिव लर्निंग-आधारित एनकोडर्स के प्रदर्शन पर निर्भरता
विभिन्न प्रकार के डेटा और मॉडलों के लिए सामान्यीकरण प्रदर्शन को सत्यापित करने की आवश्यकता
👍