Revolutionierung der Ähnlichkeitsmessung: Tversky-Neuronale Netze

Dieser Artikel stellt eine neue neuronale Netzwerkarchitektur vor, die auf der Tversky-Ähnlichkeit basiert und die weit verbreitete Verwendung des Skalarprodukts oder der Kosinusähnlichkeit im Deep Learning in Frage stellt. Die traditionell diskreten Mengenoperationen des Tversky-Modells werden elegant in differenzierbare Funktionen umgewandelt, wodurch das Training innerhalb des Deep-Learning-Frameworks ermöglicht wird. Experimente zeigen signifikante Leistungsverbesserungen bei der Bilderkennung und der Sprachmodellierung sowie eine verbesserte Interpretierbarkeit, die intuitive Erklärungen der Modellentscheidungen ermöglicht. Die Kerninnovation liegt in einer differenzierbaren Tversky-Ähnlichkeitsfunktion, die sowohl gemeinsame als auch unterscheidende Merkmale berücksichtigt und sich besser an die menschliche Wahrnehmung von Ähnlichkeit anpasst.