ترجمه مقاله استخراج کردن دانش از شبکه های عصبی عمیق از طریق تجزیه و تحلیل گراف - نشریه الزویر

ترجمه مقاله استخراج کردن دانش از شبکه های عصبی عمیق از طریق تجزیه و تحلیل گراف - نشریه الزویر
قیمت خرید این محصول
۶۴,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
استخراج کردن دانش از شبکه های عصبی عمیق از طریق تجزیه و تحلیل گراف
عنوان انگلیسی
Extracting knowledge from Deep Neural Networks through graph analysis
صفحات مقاله فارسی
28
صفحات مقاله انگلیسی
10
سال انتشار
2021
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
pdf و ورد تایپ شده با قابلیت ویرایش
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع نگارش
مقالات پژوهشی (تحقیقاتی)
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
9.110 در سال 2020
شاخص H_index مجله
119 در سال 2021
شاخص SJR مجله
1.262 در سال 2020
شناسه ISSN مجله
0167-739X
شاخص Q یا Quartile (چارک)
Q1 در سال 2020
کد محصول
11781
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است ✓
ضمیمه
ندارد ☓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی کامپیوتر، هوش مصنوعی
مجله
نسل آینده سیستم های کامپیوتری - Future Generation Computer Systems
دانشگاه
مرکز تحقیقات SFI برای تجزیه و تحلیل داده، دانشگاه شهر دوبلین، دوبلین، ایرلند
کلمات کلیدی
هوش مصنوعی (AI) قابل شرح، یادگیری بازنمایی عمیق، تجزیه و تحلیل گراف
کلمات کلیدی انگلیسی
Explainable AI - Deep representation learning - Graph analysis
doi یا شناسه دیجیتال
https://doi.org/10.1016/j.future.2021.02.009
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1- معرفی
2- پژوهش مربوطه
3- گراف هم کنشی: تعریف و اجرا
4- ارزیابی: توضیح و تفسیر شبکه های عصبی عمیق به وسیله گراف های هم کنشی
1-4 ساخت گراف هم کنشی: مجموعه های داده و معماری های عصبی
2-4 آنالیز ساختار جامعه
3-4 آنالیز مرکزیت
4-4 تصویرسازی گراف های هم کنشی
5- بحث و مراحل بعدی
6- نتیجه گیری
منابع
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
فایل خلاصه ترجمه
در صورتی که نیاز به خلاصه ای از متن ترجمه این مقاله دارید، می توانید از فایل خلاصه ترجمه استفاده نمایید که به این محصول اضافه شده است. خلاصه ترجمه این مقاله در 8 صفحه در فایل word انجام شده و داخل بسته قرار گرفته است.
نمونه چکیده متن اصلی انگلیسی
Abstract

The popularity of deep learning has increased tremendously in recent years due to its ability to efficiently solve complex tasks in challenging areas such as computer vision and language processing. Despite this success, low-level neural activity reproduced by Deep Neural Networks (DNNs) generates extremely rich representations of the data. These representations are difficult to characterise and cannot be directly used to understand the decision process. In this paper we build upon our exploratory work where we introduced the concept of a co-activation graph and investigated the potential of graph analysis for explaining deep representations. The co-activation graph encodes statistical correlations between neurons’ activation values and therefore helps to characterise the relationship between pairs of neurons in the hidden layers and output classes. To confirm the validity of our findings, our experimental evaluation is extended to consider datasets and models with different levels of complexity. For each of the considered datasets we explore the co-activation graph and use graph analysis to detect similar classes, find central nodes and use graph visualisation to better interpret the outcomes of the analysis. Our results show that graph analysis can reveal important insights into how DNNs work and enable partial explainability of deep learning models.

1. Introduction

Modern Deep Neural Networks (DNNs) can leverage large amounts of data to be efficiently trained to perform hard tasks such as translating languages and identifying objects in an image [1,2]. DNNs have been shown to achieve good performance in such complex tasks where traditional machine learning methods may fail due to the high dimensionality of the data [3].

6. Conclusion

In this paper we formalise and experiment on a novel approach to analyse and explain the inner workings of deep learning models. The proposed methodology relies on the notion of coactivation graph introduced in [12] and formalised in Section 3 to extract and represent knowledge from a trained Deep Neural Network (DNN). In the co-activation graph nodes represent neurons in a DNN and weighted relationships indicate a statistical correlation between their activation values. This representation connects neurons in any layer of the neural network, including hidden (convolutional and dense) layers, with the output layer.

نمونه چکیده ترجمه متن فارسی
چکیده

محبوبیت یادگیری عمیق به خاطر توانایی و قابلیت آن برای حل و فصل کردن کارآمد وظایف پیچیده در زمینه ها و حوزه های چالش برانگیز مانند بینایی و بینش رایانه ای و پردازش زبان به طور قابل توجهی افزایش یافته است. علیرغم این موفقیت، فعالیت عصبی سطح پایین که دوباره توسط شبکه های عصبی عمیق تولید شده نمایش فوق العاده قوی از داده ها را ایجاد می کند. این بازنمایی ها و نمایش ها به سختی قابل شناسایی هستند و نمی توانند مستقیما برای درک فرایند تصمیم گیری استفاده شوند. در این مقاله ما کار اکتشافی خودمان را ارائه می دهیم که در آن ما مفهوم هم کنشی گراف را معرفی کرده و پتانسیل آنالیز گراف را برای توضیح و تفسیر بازنمایی ها و نمایش های عمیق بررسی کردیم. هم کنشی گراف همبستگی ها و روابط آماری بین مقادیر فعالسازی نورون ها را کدگذاری کرده و به مشخص کردن رابطه بین جفت های نورون ها در لایه های پنهان و رده ها و گروه های خروجی کمک می کند. برای اعتبارسنجی یافته های خودمان، ارزیابی تجربی را گسترش دادیم تا بتوانیم مجموعه داده ها و مدلهای دارای سطوح پیچیدگی مختلف را درنظر بگیریم. برای هر مجموعه داده درنظرگرفته شده، ما گراف همکنشی را مورد بررسی قرار داده و از آنالیز گراف استفاده می کنیم تا گروه ها و رده های مشابه را شناسایی کنیم، گره های مرکزی را پیدا کنیم و از تصویرسازی گراف استفاده نماییم تا نتایج این آنالیز را بهتر تفسیر کنیم. نتایج ما نشان می دهند که آنالیز گراف می تواند دیدگاه های مهمی را درمورد این موضوع نشان دهد که شبکه های عصبی عمیق (DNNs) چگونه کار می کنند و قابلیت تبیین و توضیح مدلهای یادگیری عمیق را چگونه فراهم می کنند.

1- معرفی

شبکه های عصبی عمیق (DNNs) مدرن می توانند مقادیر زیادی از داده ها را به کار بگیرند تا به طور کارآمد و موثر آموزش داده شوند تا وظایف سخت مانند ترجمه کردن زبان ها و شناسایی اشیا در یک تصویر را انجام دهند [1,2]. شبکه های عصبی عمیق (DNNs) نشان داده اند که به عملکرد خوبی در چنین وظایف پیچیده دست پیدا کرده اند که در آنها روشهای سنتی یادگیری ماشین ممکن است به خاطر ابعاد بالای داده ها موفق نباشند [3].

6- نتیجه گیری

در این مقاله ما یک رویکرد جدید برای آنالیز و توضیح کارکردهای داخلی مدلهای یادگیری عمیق به طور رسمی بیان کرده و مورد آزمایش قرار می دهیم. روش پیشنهادی متکی به مفهوم گراف هم کنشی معرفی شده در [12] است و در بخش 3 به طور رسمی بیان می شود که برای استخراج و نمایش دانش از شبکه عصبی عمیق (DNN) آموزش دیده استفاده شده است. در گراف هم کنشی گره ها نشان دهنده نورون ها در شبکه عصبی عمیق (DNN) هستند و روابط وزنی همبستگی آماری بین مقادیر فعالسازی آنها را نشان می دهند. این نمایش نورون ها را در هر لایه ای از شبکه عصبی، از جمله لایه های مخفی (متراکم و پیچشی)، به لایه خارجی متصل می کند.


بدون دیدگاه