في عالم الذكاء الاصطناعي، يتزايد الاهتمام بفهم كيف يمكن للنماذج العصبية معالجة المفاهيم بشكل مشابه للبشر. هنا يأتي دور تقنية TCAV (Testing with Concept Activation Vectors) كوسيلة لتقييم مدى توافق التمثيلات الداخلية لشبكات التعلم العميق مع المفاهيم عالية المستوى التي يفهمها البشر. ولكن، مثل أي تقنية، فإنها ليست خالية من العيوب. إذ تعاني TCAV من حمل حسابي كبير، وعدم اتفاق كبير في الدرجات بين الطبقات، وعدم استقرار إحصائي.

لذا، يُقدم الباحثون تقنية جديدة تُعرف بـ E-TCAV، وهو إطار مبتكر يهدف إلى تقديم تقديرات فعالة لدرجات TCAV من خلال تطوير مستند إلى دراسة معمقة لثلاثة جوانب رئيسية في منهجية TCAV: أولاً، تأثير المصنفات الكامنة على استقرار درجات TCAV؛ ثانيًا، اتفاق الدرجات بين الطبقات، وثالثًا استخدام الطبقة ما قبل الأخيرة كوكيل سريع للحسابات في الطبقات السابقة.

للتحقق من فعالية E-TCAV، أُجريت تقييمات موسعة على أربعة هياكل مختلفة وخمسة مجموعات بيانات، تغطي المشكلات في مجالي رؤية الحاسوب واللغة الطبيعية. أظهرت النتائج أن الطبقات في الكتلة الأخيرة من الشبكة العصبية تتفق بقوة مع الطبقة ما قبل الأخيرة في ما يتعلق بدرجات TCAV، وأن التباين الملحوظ في درجات TCAV يُعزى إلى اختيار المصنف الكامن.

تضمن E-TCAV، من خلال استغلال هذا الاتفاق بين الطبقات والتدهور في الحساسية الاتجاهية عند الطبقة ما قبل الأخيرة، تحسينات خطية في السرعة تتناسب مع حجم الشبكة وعدد عينات التقييم، مما يمهد الطريق نحو تصحيح النموذج بكفاءة وتدريب موجه بالمفاهيم في الزمن الحقيقي. بفضل هذه الابتكارات، تتجه تقنيات الذكاء الاصطناعي نحو المزيد من الفهم والتواصل مع المفاهيم البشرية.