Learning by Self-Explaining (LSX): Новый подход к улучшению обобщения и точных объяснений модели ИИ через самосовершенствование
Объяснимый искусственный интеллект (XAI) стал критической областью, фокусирующейся на предоставлении интерпретируемых исследований решений моделей машинного обучения. Модели самообъяснения, использующие такие техники, как обратное распространение, дистилляция модели и прототипные подходы, направлены на разъяснение процессов принятия решений. Однако большинство существующих исследований рассматривают объяснения как односторонние инструменты коммуникации для проверки модели, игнорируя их потенциал активного вклада в обучение модели.
Практические решения и ценность
Недавние исследования начали исследовать интеграцию объяснений в циклы обучения модели, как видно в объяснительном интерактивном обучении (XIL) и связанных концепциях в обучении человека и машины. В то время как некоторые исследования предлагали модели объяснений-затем-предсказывают и затрагивали саморефлексию в ИИ, полный потенциал объяснений в качестве основы для рефлексивных процессов и улучшения модели остается недостаточно изученным. Эта статья направлена на заполнение этой пробела путем изучения интеграции объяснений в процесс обучения и их способности улучшать обучение модели.
Learning by Self-Explaining (LSX) представляет собой новый рабочий процесс для улучшения обучения модели ИИ, особенно в классификации изображений. Он интегрирует самосовершенствующийся ИИ и человеко-ориентированное объяснительное машинное обучение, используя объяснения для улучшения производительности модели без непосредственной обратной связи от человека. LSX позволяет модели-ученику оптимизировать на основе как исходной задачи, так и обратной связи от собственных объяснений, оцениваемой внутренней моделью-критиком. Этот подход направлен на создание более актуальных объяснений и улучшение обобщения модели. Статья описывает обширные экспериментальные оценки по различным наборам данных и метрикам, чтобы продемонстрировать эффективность LSX в продвижении объяснимого ИИ и самосовершенствующегося машинного обучения.
LSX представляет собой новый подход, интегрирующий самообъяснения в процессы обучения модели ИИ. Он состоит из двух основных компонентов: модели-ученика, выполняющей основные задачи и генерирующей объяснения, и внутреннего критика, который оценивает качество объяснений. LSX работает через цикл Объяснить, Отразить, Пересмотреть, где ученик предоставляет объяснения, критик оценивает их полезность, и ученик улучшает свой подход на основе обратной связи. Этот метод подчеркивает важность объяснений не только для понимания решений модели, но и для улучшения возможностей обучения.
Фреймворк LSX направлен на улучшение производительности модели, включая обобщение, консолидацию знаний и точность объяснений. Путем включения самообъяснений в обучение LSX устраняет путаницу и улучшает актуальность объяснений. Этот рефлексивный подход к обучению позволяет моделям учиться как от данных, так и от своих собственных объяснений, способствуя более глубокому пониманию и непрерывному улучшению. LSX представляет собой значительное развитие в области объяснимого ИИ, способствуя развитию более интерпретируемых и рефлексивных систем ИИ через динамическое взаимодействие между компонентами ученика и внутреннего критика.
Экспериментальные оценки LSX демонстрируют значительное улучшение обобщения модели. Измерения точности тестового набора данных по наборам, таким как MNIST, ChestMNIST и CUB-10, показывают существенные улучшения, причем LSX достигает конкурентоспособной или более высокой производительности по сравнению с традиционными методами. Исследование также оценивает точность объяснений с использованием метрик полноты и достаточности, показывая, что LSX производит актуальные и точные объяснения. Сильная корреляция между точностью модели и отличительностью объяснений дополнительно подчеркивает эффективность подхода.
Процесс самосовершенствования LSX, где модель оценивает свои изученные знания через объяснения, способствует ее способности пересматривать прогнозы на основе внутренней критической обратной связи. Это итеративное усовершенствование является центральным в методологии LSX. В целом результаты указывают на то, что LSX предлагает несколько преимуществ, включая улучшенное обобщение, улучшенную точность объяснений и устранение обучения по сокращенному пути. Исследование заключает, что самообъяснения играют ключевую роль в улучшении рефлексивных способностей моделей ИИ и общей производительности, позиционируя LSX как многообещающий подход в объяснимом ИИ.
В заключение, LSX представляет собой новый подход к обучению ИИ, акцентирующий роль объяснений в самосовершенствовании модели. Экспериментальные оценки демонстрируют преимущества LSX в улучшении обобщения, консолидации знаний, точности объяснений и устранении обучения по сокращенному пути. Направления будущих исследований включают применение LSX к различным модальностям и задачам, интеграцию буферов памяти для улучшения объяснений, включение фоновых знаний, изучение связей с причинными объяснениями и разработку встроенно интерпретируемых моделей. Эти результаты подчеркивают потенциал LSX значительно продвинуть процессы обучения ИИ, предлагая многообещающие пути для дальнейшего исследования в области объяснимого и интерпретируемого ИИ.
