TL;DR
- چکیده:.
- مدلهای یادگیری عمیق در حوزههای مختلف به موفقیتهای قابلتوجهی دست یافتهاند،.
- با این حال بازنماییهای آموختهشده و فرآیندهای تصمیمگیری آنها تا حد زیادی مبهم هستند و تفسیر آنها دشوار.
چه اتفاقی افتاد
چکیده:. مدلهای یادگیری عمیق در حوزههای مختلف به موفقیتهای قابلتوجهی دست یافتهاند،.
با این حال بازنماییهای آموختهشده و فرآیندهای تصمیمگیری آنها تا حد زیادی مبهم هستند و تفسیر آنها دشوار. است.
این کار HOLE (مشاهده هومولوژیک تعبیههای نهفته) را معرفی میکند،. روشی برای تحلیل و تفسیر شبکههای عصبی متمایز از طریق همسانی مداوم.
HOLE ویژگیهای توپولوژیکی را از فعالسازیهای میانی استخراج میکند و با استفاده از مجموعهای از تکنیکهای تجسم،. از جمله نمودارهای جریان خوشهای،.
نمودارهای لکهای،. و دندروگرامهای نقشه حرارتی ارائه میکند.
این ابزارها بررسی ساختار و کیفیت نمایش را در سراسر لایهها تسهیل میکنند. ما HOLE را با استفاده از طیف وسیعی از مدلهای متمایز ارزیابی میکنیم،.
با تمرکز بر کیفیت نمایش،. تفسیرپذیری در لایهها،.
و استحکام برای اغتشاشات ورودی و فشردهسازی مدل. نتایج نشان میدهد که توپولوژیک تجزیه و تحلیل الگوهای مرتبط با جداسازی کلاس،.
گسست ویژگیها،. و استحکام مدل را نشان میدهد،.
و یک دیدگاه مکمل برای درک و بهبود سیستمهای یادگیری عمیق ارائه میدهد. یادگیری ماشین (cs.
LG)؛ گرافیک (cs. GR)؛ تعامل انسان و رایانه (cs.
HC) استناد بهعنوان: (یا v3 [cs. LG] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite تاریخچه ارسال از:. Sudhanva Manjunath Athreya [مشاهده ایمیل] [v1] دوشنبه،.
8 دسامبر 2025،. 19:.
20:. 05 UTC (24,.
765 KB) [v2] چهارشنبه،. 10 دسامبر 2025،.
02:. 59:.
33 UTC (24,. 785 KB) [v3] دوشنبه،.
6 آوریل 2026،. 19:.
32:. 45 UTC (8,.
222 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.