في عالم الذكاء الاصطناعي، تقدم قابلية التفسير (Interpretability) أحد أكبر التحديات عند التعامل مع نماذج التعلم العميق. على الرغم من التقدم الكبير في تقنيات الذكاء الاصطناعي القابل للتفسير (eXplainable AI - XAI)، إلا أن القليل من الأساليب تمكنت من معالجة interpretability في الفضاءات المدمجة حيث تمثل الأبعاد تجريدات معقدة.

تقديمنا لـ "مسافة التفسير" (Distance Explainer) تأخذنا خطوة جديدة نحو تحسين هذه القابلية. هذه الطريقة الجديدة تعزز قدرتنا على إنتاج تفسيرات محلية (local) لما يحدث في الفضاءات المدمجة في نماذج التعلم الآلي بعد تنفيذ النموذج.

تعتمد استراتيجيتنا على أساليب مستندة إلى المميز( saliency-based techniques) من RISE، حيث نقوم بشرح المسافة بين نقطتين مدمجتين من خلال تخصيص قيم توصيل عبر التعبئة الانتقائية (Selective masking) وتصنيف أقنعة القائمة على المسافة.

قمنا بتقييم "مسافة التفسير" على الفضاءات المدمجة متعددة الأنماط (cross-modal embeddings) باستخدام مقاييس معينة تتعلق بـ XAI مثل الإخلاص (Faithfulness) والحساسية (Sensitivity) والثبات (Robustness). أظهرت التجارب التي أجريناها باستخدام نماذج ImageNet وCLIP أن طريقتنا تحدد بفعالية الميزات التي تساهم في التشابه أو الاختلاف بين النقاط المدمجة، مع الحفاظ على مستوى عالٍ من الثبات والتناسق.

كما استكشفنا كيف تؤثر ضبط المعلمات، لا سيما كمية الأقنعة واستراتيجية الاختيار، على جودة التفسير. يقدم هذا العمل مساعدة في سد فجوة حيوية في أبحاث XAI ويعزز الشفافية والثقة في تطبيقات التعلم العميق التي تستخدم الفضاءات المدمجة.