EQ-CBM: نموذج مُ bottleneck المفاهيم الاحتمالي مع نماذج الطاقة والمتجهات الكمية

تزايد الطلب على أنظمة الذكاء الاصطناعي الموثوقة قد حفّز الحاجة إلى شبكات عصبية عميقة قابلة للتفسير. وقد اكتسبت نماذج الحواجز المفاهيمية (CBMs) اهتمامًا كنهج فعّال من خلال الاستفادة من المفاهيم القابلة للفهم البشري لتعزيز قابلية التفسير. ومع ذلك، تواجه النماذج الحالية لـ CBMs تحديات ناتجة عن ترميز المفاهيم الثابت (الغير عشوائي) والاعتماد على مفاهيم غير متسقة، مما يؤدي إلى دقة منخفضة. نقترح إطار عمل جديد يُسمى EQ-CBM، يُحسّن أداء نماذج CBMs من خلال ترميز مفاهيم احتمالي باستخدام نماذج تعتمد على الطاقة (EBMs) مع متجهات نشاط مفاهيم مُكمّلة (qCAVs). يُمكّن EQ-CBM من التقاط عدم اليقين بشكل فعّال، مما يعزز موثوقية التنبؤ ودقته. وباستخدام متجهات qCAVs، يُتيح لنا هذا الأسلوب اختيار متجهات متجانسة أثناء ترميز المفاهيم، مما يُمكّن من أداء مهام أكثر حسمًا ويسهّل مستوى أعلى من التدخل البشري. وقد أظهرت النتائج التجريبية باستخدام مجموعات بيانات معيارية أن نهجنا يتفوّق على أحدث التقنيات من حيث دقة المفاهيم والأداء في المهام.