تحلیل تطبیقی تکنیک های تجسم ویژگی: اثربخشی و بینش هایی از LRP، t-SNE، و Grad-CAM
Publish place: The 20th National Conference of Applied Researches in Electrical Sciences, Computers and Medical Engineering
Publish Year: 1403
Type: Conference paper
Language: Persian
View: 67
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ECMECONF20_079
Index date: 28 October 2024
تحلیل تطبیقی تکنیک های تجسم ویژگی: اثربخشی و بینش هایی از LRP، t-SNE، و Grad-CAM abstract
این مقاله به بررسی تطبیقی تکنیک های تجسم ویژگی شامل LRP، t-SNE، و Grad-CAM می پردازد و اثربخشی هر یک در تفسیرپذیری شبکه های عصبی عمیق را ارزیابی می کند. هر یک از این تکنیک ها برای بهبود شفافیت و درک عملکرد داخلی مدل های یادگیری عمیق توسعه یافته اند و نقش مهمی در ارائه توضیحات بصری از فرآیند تصمیم گیری این مدل ها ایفا می کنند. مقاله حاضر با استفاده از معیارهای کمی مختلف به مقایسه این تکنیک ها پرداخته و به چالش ها و فرصت های بهبود در کاربردهای مختلف می پردازد. نتایج این تحلیل می تواند به کاربران و توسعه دهندگان کمک کند تا مناسب ترین تکنیک را برای تفسیرپذیری مدل های خود انتخاب کنند.
تحلیل تطبیقی تکنیک های تجسم ویژگی: اثربخشی و بینش هایی از LRP، t-SNE، و Grad-CAM Keywords:
تحلیل تطبیقی تکنیک های تجسم ویژگی: اثربخشی و بینش هایی از LRP، t-SNE، و Grad-CAM authors
حسین ممیز
۱- کارشناسی ارشد هوش مصنوعی و رباتیکز، دانشگاه آزاد اسلامی واحد الکترونیکی، تهران، ایران
