Η ταχεία ανάπτυξη σύνθετων μοντέλων βαθιάς μάθησης οδήγησε σε μεγάλα και σημαντικά επιτεύγματα, σε μια πληθώρα εφαρμογών, υποδεικνύοντας την ικανότητά τους στην αναγνώριση σημαντικών προτύπων στα δεδομένα. Ωστόσο, αυτή η επιτυχία συνοδεύτηκε από τη μείωση της ερμηνευσιμότητας των μοντέλων. Αυτές οι περίπλοκες αρχιτεκτονικές θεωρούνται "μαύρα κουτιά", διότι πραγματοποιούν πολλούς χαμηλού επιπέδου, μη γραμμικούς υπολογισμούς. Παρόμοια με τον ανθρώπινο εγκέφαλο, κατανοούμε τον εκάστοτε αλληλεπίδραση των νευρώνων, αλλά δυσκολευόμαστε να κατανοήσουμε πώς το μοντέλο συνδυάζει πληροφορίες για τη δημιουργία υψηλότερων έννοιων. Αυτό το κενό γνώσης οδήγησε στον τομέα της Επεξηγηματικής Τεχνητής Νοημοσύνης (ΕΤΝ).
Η Επεξηγηματική Τεχνητή Νοημοσύνη (ΕΤΝ) βρίσκεται στο στάδιο της ανάπτυξης, και μια σειρά ερωτημάτων για την κατανόηση της λειτουργίας του μοντέλου δεν έχει ακόμα διατυπωθεί. Ωστόσο, η έρευνα ξεκίνησε με ένα θεμελιώδες ερώτημα: "ποιοι παράγοντες επηρεάζουν την απόφαση ενός μοντέλου για ένα δεδομένο
είσοδο", οδηγώντας στην ανάπτυξη των "μεθόδων Ανάθεσης". Αυτές οι μέθοδοι στοχέυουν στην απόδοση της απόφασης ενός μοντέλου πίσω στα χαρακτηριστικά εισόδου, με την ανάθεση σημασίας σε κάθε χαρακτηριστικό. Για να επιτευχθεί αυτό, χρησιμοποιούν διάφορα μαθηματικά εργαλεία, στενά σχετιζόμενα με την έννοια της σημασίας. Η εξάπλωση τέτοιων μεθόδων απαίτησε τη δημιουργία "μετρικών Αξιολόγησης" για να μετρήσουν την αποτελεσματικότητά τους. Ωστόσο, τέτοιες μετρικές εμφάνισαν περιορισμούς, οδηγώντας μερικούς ερευνητές στην ανάπτυξη συνόλων "Αξιωμάτων και Κριτηρίων" που θεωρούνταν απαραίτητα για την αξιόπιστη ανάθεση. Αν και αντιμετωπίζουν παρόμοιους περιορισμούς, παρέχουν μια πιο έννοιολογικά ορθή προσέγγιση για αξιόπιστες αναθέσεις.
Σε απάντηση σε αυτές τις προκλήσεις, αυτή η διατριβή εξερευνά το έννοια της "Μηδενικής Πληροφορίας", καθώς μπορεί να προσφέρει σημαντική βοήθεια σε αυτές τις ερωτήσεις. Αυτή η έννοια αποσκοπεί στο να κρύψει όλες τις πληροφορίες που περιέχονται σε τμήματα μιας εικόνας για ένα συγκεκριμένο μοντέλο, αποκαλύπτοντας τη συμβολή τους στη απόφαση του μοντέλου. Αυτή η διατριβή αναπτύσσει μια νέα προσέγγιση στο πρόβλημα, σχεδιάζοντας κριτήρια που σχετίζονται με την απόκρυψη της πληροφορίας. Πρώτον, σχεδιάζουμε ένα
αλγόριθμο για την απόκρυψη της πληροφορίας από ολόκληρη την εικόνα. Μεταφράζοντας τα κριτήρια σε συναρτήσεις κόστους, ο αλγόριθμος εντοπίζει τα πιο επιδραστικά σημεία που οδηγούν στη μείωση της βεβαιότητας του μοντέλου και τα χρησιμοποιεί για να ορίσει μια μέθοδο Ανάθεσης. Στη συνέχεια, για την απόκρυψη πληροφορίας από μέρη της εικόνας, τα κριτήρια πρέπει να επεκταθούν για να περιέχουν τις αλληλεπιδράσεις χαρακτηριστικών. ΄Ενας αλγόριθμος βελτιστοποίησης εκπαιδεύεται για να πληροί αυτά τα κριτήρια, ενώ χρησιμοποιεί γεννητικά μοντέλα για την ανακατασκευή των απόκρυμμένων τμημάτων με "φυσική" συμπλήρωση. Η μέθοδος δοκιμάζεται με βάση πολλές μετρικές, εμφανίζοντας ισχυρή απόδοση έναντι άλλων τεχνικών. Στη συνέχεια, μπορεί να χρησιμοποιηθεί από διάφορες μεθόδους Ανάθεσης και μετρικές Αξιολόγησης που
βασίζονται στην απόκρυψη πληροφορίας, προσφέροντας καλύτερα αποτελέσματα.
Συνολικά, αυτή η διατριβή προσπαθεί να αναπτύξει μια μεθοδολογία για αξιόπιστες τεχνικές συμπλήρωσης για τη Μηδενική Πληροφορία. Δεν παρέχει ορι στικές απαντήσεις στο πρόβλημα, δεδομένη την πολυπλοκότητά του. Αντίθετα,
ανοίγει το δρόμο για την ανάπτυξη καλύτερων κριτηρίων ως μια μελλοντική κατεύθυνση, προσφέροντας απαντήσεις σε θεμελιώδεις ερωτήσεις της ΤΝ.
(EL)
National Technical University of Athens
