Краткое содержание

arXiv:2511.12744v1 Тип объявления: новый Аннотация: Было показано, что интеграция априорных знаний человеческого восприятия в обучение нейронных сетей повышает обобщающую способность моделей, служит эффективным регуляризатором и согласует модели с экспертизой человека для приложений в высокорисковых областях. Современные подходы интеграции значимости в процесс обучения часто полагаются на внутренние механизмы модели, надежность которых вызывает сомнения согласно последним исследованиям. Наше наблюдение заключается в том, что многие проблемы, связанные с направляемым значимостью обучением, происходят от размещения методов руководства исключительно в пространстве изображений. Вместо этого мы отказываемся от пространства изображений, используем латентное пространство эмбеддингов модели для направления человеческой экспертизы во время обучения и предлагаем метод SAGE (Contrastive Embeddings Guided by Saliency — Контрастивные Эмбеддинги, Руководимые Значимостью): функцию потерь, интегрирующую человеческую значимость в обучение сети через контрастивные эмбеддинги. Мы применяем к входному сигналу преобразования, сохраняющие и ухудшающие значимую информацию, и фиксируем изменения в эмбеддингах.