کنفرانس بین المللی فناوری اطلاعات و دانش

صفحه اصلی / شانزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

خوشه‌بندی موثر در استخراج توضیحات مفهوم‌محور خودکار برای شبکه‌های پیچشی

نویسندگان :

سعید معروف¹ مریم امیرمزلقانی² رضا صفابخش³

1- دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران) 2- دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران) 3- دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)

کلمات کلیدی :

توضیح‌پذیری،خوشه‌بندی،شبکه‌های پیچشی،یادگیری عمیق

چکیده :

چالش اصلی مدل‌های یادگیری عمیق، علیرغم عملکرد خوبی که در حل مسایل گوناگون دارند، عدم توضیح نحوه تصمیم‌گیری آنها است که باعث عدم اعتماد به تصمیم مدل می‌شود. در روش‌های جدید، برای اجتناب از برچسب‌گذاری دادگان که فرایند هزینه‌بری است، از خوشه‌بندی بردارهای تعبیه شده برای استخراج مفاهیم انسانی در تصاویر استفاده می‌شود. بنابراین انتخاب الگوریتم خوشه‌بندی اهمیت زیادی در کیفیت مفاهیم خواهند داشت. متداول‌ترین الگوریتم خوشه‌بندی که در برخی از روش‌های پیشین مورد استفاده قرار گرفته است، الگوریتم K-means است که دو فرض اولیه کروی و متقارن بودن خوشه‌ها را دارد. همچنین تعداد خوشه‌ها که تعیین کننده تعداد مفاهیم هستند، باید توسط عامل انسانی تعیین شود. در این پژوهش، سعی شده است با در نظر گرفتن این چالش‌ها، الگوریتم‌های خوشه‌بندی را با یکدیگر مقایسه نماییم. این پژوهش نشان می‌دهد که با استفاده از روش خوشه‌بندی انتشار وابستگی، می‌توان هر دو چالش را برطرف کرد و بهبود 36% در مفاهیم استخراج شده را شاهد بود. همچنین با استفاده از روش خوشه‌بندی طیفی، نه تنها می‌توان تا 50% در زمان صرفه‌جویی نمود بلکه به مفاهیم با 12% کیفیت بهتر نیز دست پیدا کرد.