شبكات التفسير السياقي

الخوارزميات التعلم الحديثة تتفوق في إنتاج نماذج دقيقة ولكن معقدة للبيانات. ومع ذلك، فإن تنفيذ مثل هذه النماذج في العالم الحقيقي يتطلب حذرًا إضافيًا: يجب علينا ضمان موثوقيتها ومتانتها وعدم وجود تحيزات غير مرغوب فيها. هذا يحفز تطوير نماذج تكون دقيقة بنفس القدر ولكن يمكن أيضًا فحصها وتقييمها بسهولة خارج أدائها التنبؤي. لهذا الغرض، نقدم شبكات التفسير السياقية (CEN) --- فئة من المعماريات التي تتعلم كيفية التنبؤ بإنشاء واستخدام نماذج احتمالية مبسطة متوسطة. تحديدًا، تقوم شبكات CEN بإنشاء معلمات لنماذج الرسوم البيانية الوسيطة التي يتم استخدامها لاحقًا للتنبؤ ولعب دور الشرح. على عكس أدوات شرح النموذج الموجودة بعد الحدث، تتعلم شبكات CEN التنبؤ والشرح بشكل متزامن. يوفر نهجنا فائدين رئيسيين: (i) يتم إنشاء شرح خاص بكل حالة صالح لكل تنبؤ بدون أي زيادة في العبء الحسابي و (ii) يعمل التنبؤ عبر الشرح كمُعَدِّل ويحسن الأداء في حالات قلة البيانات. نقوم بتحليل الإطار المقترح نظريًا وتجريبيًا. تظهر نتائجنا في مهام تصنيف الصور والنصوص وتحليل البقاء أن شبكات CEN ليست فقط تنافسية مع أفضل الأساليب المتاحة حاليًا بل أيضًا توفر رؤى إضافية وراء كل تنبؤ، والتي يمكن أن تكون ذات قيمة كبيرة لدعم القرار. كما نوضح أن الأساليب ما بعد الحدث قد تنتج شروحات مضللة في بعض الحالات، بينما تكون شبكات CEN ثابتة وتسمح بكشف مثل هذه الحالات بطريقة منهجية.