Révolutionner la mesure de similarité : les réseaux neuronaux de Tversky
Cet article présente une nouvelle architecture de réseau neuronal basée sur la similarité de Tversky, remettant en question l'utilisation prédominante du produit scalaire ou de la similarité cosinus en apprentissage profond. Il transforme élégamment les opérations ensemblistes traditionnellement discrètes du modèle de Tversky en fonctions différentiables, permettant l'apprentissage dans le cadre de l'apprentissage profond. Les expériences montrent des améliorations significatives des performances en reconnaissance d'images et en modélisation linguistique, ainsi qu'une meilleure interprétabilité, permettant des explications intuitives des décisions du modèle. L'innovation principale réside dans une fonction de similarité de Tversky différentiable qui prend en compte les caractéristiques communes et distinctives, s'alignant mieux sur la perception humaine de la similarité.
Lire plus