Unsupervised Discovery of Interpretable Directions in the GAN Latent Space

Voynov A.; A. Babenko

Публикации

?

Unsupervised Discovery of Interpretable Directions in the GAN Latent Space

P. 9728–9738.

Voynov A., Бабенко А. В.

Язык: английский

Полный текст

Текст на другом сайте

Ключевые слова: interpretability generative adversarial networks

В книге

International Conference on Machine Learning (ICML 2020)

Vol. 119. , PMLR, 2020.

От неизвестности к прозрачности: обзор технологий объяснимого ИИ (XAI)

Авдошин С. М., Песоцкая Е. Ю., Информационные технологии 2026 Т. 32 № 4 С. 185–194

С развитием ИИ, и в особенности глубокого обучения, появились модели, способные давать крайне точные прогнозы. Однако их внутренняя логика остается трудной для понимания — и это серьезная проблема, особенно в сферах, где от корректности алгоритма зависят критиче ски важные решения. Одним из перспективных путей ее решения считается направление Explainable Artificial Intelligence (XAI) — разработка подходов, позволяющих прояснять ...

Добавлено: 8 мая 2026 г.

Mechanistic Permutability: Match Features Across Layers

Balagansky N., Максимов Я. В., Gavrilov D., , in: Proceedings of the 13th International Conference on Learning Representations (ICLR 2025).: ICLR, 2025. P. 57940–57957.

Добавлено: 25 февраля 2026 г.

LLM-Microscope: Uncovering the Hidden Role of Punctuation in Context Memory of Transformers

Anton R., Mikhalchuk M., Rahmatullaev T. и др., , in: Findings of the Association for Computational Linguistics: NAACL 2025.: Association for Computational Linguistics, 2025. P. 7757–7764.

Мы предлагаем методы количественной оценки того, как большие языковые модели (LLM) кодируют и хранят контекстную информацию, и показываем, что токены, обычно считающиеся второстепенными (например, детерминативы и знаки препинания), на деле несут неожиданно высокий объём контекста. В частности, удаление таких токенов — особенно стоп-слов, артиклей и запятых — стабильно ухудшает качество на MMLU и BABILong-4k, даже ...

Добавлено: 6 ноября 2025 г.

Новые интерфейсы и новые медиаторы

Максименкова О. В., Сегал А. П., Вопросы философии 2025 № 10 С. 67–76

Исследование посвящено проблеме взаимодействия человека и искус ственного интеллекта (ИИ). Авторы рассматривают это взаимодействие как опосредованное интерфейсами, которые одновременно и упрощают его, и скрывают реальные механизмы кодирования и декодирования сооб щений (по К. Шеннону). В такой ситуации характеристики субъекта (акто ра) коммуникации размываются, и в качестве такового предстает не сам актор, но его инструмент, а ...

Добавлено: 2 октября 2025 г.

Of Models and Men: Probing Neural Networks for Agreement Attraction with Psycholinguistic Data

Бажуков М. О., Волошина Е. Ю., Sergey Pletnev и др., , in: Proceedings of the 28th Conference on Computational Natural Language Learning.: Association for Computational Linguistics, 2024. P. 280–290.

Добавлено: 11 марта 2025 г.

A review of Explainable Artificial Intelligence in healthcare

Sadeghi Z., Alizadehsani R., Cifci M. A. и др., Computers and Electrical Engineering 2024 Vol. 118 No. A Article 109370

Добавлено: 8 июня 2024 г.

Tradeoff search methods between interpretability and accuracy of the identification fuzzy systems based on rules

Yankovskaya A. E., Горбунов И. В., Hodashinsky I. A., Pattern Recognition and Image Analysis 2021 Vol. 2 No. 27 P. 243–265

Добавлено: 27 сентября 2021 г.

Fast simulation of the electromagnetic calorimeter response using Self-Attention Generative Adversarial Networks

Ратников Ф. Д., Рогачев А. И., , in: EPJ Web of ConferencesVol. 251: 25th International Conference on Computing in High Energy and Nuclear Physics (CHEP 2021).: EDP Sciences, 2021. Ch. 03043.

Добавлено: 14 сентября 2021 г.

Simulating the time projection chamber responses at the MPD detector using generative adversarial networks

A. Maevskiy, F. Ratnikov, Zinchenko A. и др., The European Physical Journal C - Particles and Fields 2021 Vol. 81 Article 599

Добавлено: 12 июля 2021 г.

Semi-automatic Manga Colorization Using Conditional Adversarial Networks

Maksim Golyadkin, Макаров И. А., , in: Analysis of Images, Social Networks and Texts: 9th International Conference, AIST 2020, Skolkovo, Moscow, Russia, October 15–16, 2020, Revised Selected PapersVol. 12602.: Springer, 2021. P. 230–242.

Manga colorization is time-consuming and hard to automate. In this paper, we propose a conditional adversarial deep learning approach for semi-automatic manga images colorization. The system directly maps a tuple of grayscale manga page image and sparse color hint constructed by the user to an output colorization. High-quality colorization can be obtained in a fully ...

Добавлено: 9 апреля 2021 г.

Fault detection in Tennessee Eastman process with temporal deep learning models

Lomov I., Lyubimov M., Макаров И. А. и др., Journal of Industrial Information Integration 2021 Vol. 23 Article 100216

Automated early process fault detection and prediction remains a challenging problem in industrial processes. Traditionally it has been done by multivariate statistical analysis of sensor readings and, more recently, with the help of machine learning methods. The quality of machine learning models strongly depends on feature engineering, that in turn heavily relies on expertise of ...

Добавлено: 21 марта 2021 г.

User-controllable Multi-texture Synthesis with Generative Adversarial Networks

Alanov A., Kochurov M., Volkhonskiy D. и др., , in: Proceedings of the 15th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP 2020)Vol. 4.: SciTePress, 2020. P. 214–221.

Добавлено: 8 ноября 2020 г.

Fast Data-Driven Simulation of Cherenkov Detectors Using Generative Adversarial Networks

A Maevskiy, D Derkach, N Kazeev и др., Journal of Physics: Conference Series 2020 Vol. 1525 No. 012097 P. 1–6

Добавлено: 27 июля 2020 г.

A Simple Method to Evaluate Support Size and Non-uniformity of a Decoder-Based Generative Model

Струминский К. А., Ветров Д. П., Lecture Notes in Computer Science 2019 Vol. 11832 P. 81–93

Добавлено: 23 апреля 2020 г.

GAN Path Finder: Preliminary results

Soboleva Natalia, Яковлев К. С., , in: Proceedings of the 42nd German Conference on Artificial Intelligence (KI 2019), Kassel, Germany, September 23-26, 2019.: Springer, 2019. P. 316–324.

Добавлено: 3 февраля 2020 г.

Generative Models for Fashion Industry using Deep Neural Networks

Ildar Lomov, Макаров И. А., , in: Proceedings of 2nd International Conference on Computer Applications & Information Security (ICCAIS).: NY: IEEE, 2019. P. 1–6.

The progress of deep learning models in image and video processing leads to new artificial intelligence applications in Fashion industry. We consider the application of Generative Adversarial Networks and Neural Style Transfer for Digital Fashion presented as Virtual fashion for trying new clothes. Our model generate humans in clothes with respect to different fashion preferences, ...

Добавлено: 29 июля 2019 г.

Cherenkov detectors fast simulation using neural networks

Казеев Н. А., Деркач Д. А., Ратников Ф. Д. и др., Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment 2019

Добавлено: 11 июля 2019 г.

Cherenkov detectors fast simulation using neural networks

Деркач Д. А., Казеев Н. А., Ратников Ф. Д. и др., Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment 2020 Vol. 952 No. 0168-9002 P. 161804

Добавлено: 11 февраля 2019 г.

Rotations and Interpretability of Word Embeddings: The Case of the Russian Language

Зобнин А. И., , in: Analysis of Images, Social Networks and Texts. 6th International Conference, 2017, Revised Selected PapersVol. 10716.: Cham: Springer, 2018. Ch. 11 P. 116–128.

Добавлено: 26 ноября 2017 г.