Clasificación de Imágenes Interpretable con Pocos Ejemplos mediante Mezcla de Expertos LoRA Guiada por Conceptos...

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• Los modelos autoexplicables (SEM) utilizan el aprendizaje de conceptos prototípicos (PCL) para el reconocimiento visual interpretable.
• Los SEM enfrentan una degradación del rendimiento en entornos con pocos datos debido a datos de entrenamiento insuficientes.

Objetivo del estudio:

• Proponer un marco de Clasificación de Conceptos Prototípicos con Pocos Ejemplos (FSPCC) para abordar las limitaciones de los SEM en regímenes con pocos datos.
• Mejorar tanto la precisión como la interpretabilidad de los sistemas de reconocimiento visual en condiciones de pocos ejemplos.

Principales métodos:

• Aprovechamiento de una Mezcla de Expertos LoRA (MoLE) para la adaptación eficiente de parámetros y la asignación equilibrada de parámetros.
• Empleo de la guía de conceptos entre módulos para alinear las representaciones de características con los patrones de activación de conceptos prototípicos.
• Incorporación de la preservación de características multinivel y una pérdida de discriminación de conceptos consciente de la geometría para límites de decisión desvinculados.

Principales resultados:

• El marco FSPCC mitiga sistemáticamente el desequilibrio paramétrico y la desalineación de la representación en el aprendizaje con pocos ejemplos.
• Se obtuvieron ganancias relativas de precisión del 4,2 % -8,7 % en la clasificación de 5 vías y 5 ejemplos en seis puntos de referencia.
• Se demostró un rendimiento superior constante en comparación con los SEM existentes en escenarios con pocos datos.

Conclusiones:

• La combinación del aprendizaje de conceptos con la adaptación de pocos ejemplos mejora eficazmente tanto la precisión como la interpretabilidad en el reconocimiento visual.
• El marco FSPCC propuesto ofrece una dirección prometedora para el desarrollo de sistemas de IA más transparentes y robustos.
• Los hallazgos subrayan la importancia de abordar la escasez de datos para modelos de IA fiables e interpretables.