文献

J-GLOBAL ID：201802263663651170   整理番号：18A2202294

物理過程に基づくニューラルネットワーク構築の検討

Study on Physics-guided Learning of Deep Neural Network

著者 (4件)： 田中潤也 (大阪大 大学院情報科学研究科) ,  冨田智彦 (熊本大 大学院先端科学研究部) ,  沼尾正行 (大阪大 産科研) ,  福井健一 (大阪大 産科研)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 118  号： 197(AI2018 13-24)(Web)  ページ： 7-12 (WEB ONLY)  発行年： 2018年08月20日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 深層学習などの機械学習モデルでは,学習モデルが複雑になり判断根拠を理解するのが困難になるという欠点がある。特に原理を探求する自然科学分野では,高い予測・分類精度が得られたとしても,モデルに説明性がなければ有用なモデルを獲得できたとは言えない。本稿では,物理モデルに従い機械学習モデルを設計することで,物理法則に従う成分と従わない成分(モデル残差)の2つを分解して出力可能モデルの構築を行った。(著者抄録)

シソーラス用語： モデル ,  物理学 ,  風 ,  *ニューラルネットワーク ,  *地衡風 ,  機械学習 ,  過程 ,  物理モデル ,  温度風 ,  深層学習
準シソーラス用語： 物理過程

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (15件)：

• Lazer, David and Kennedy, Ryan and King, Gary and Vespignani, Alessandro: The Parable of Google Flu: Traps in Big Data Analysis, pp.1203-1205, Science (2014).
• Marco Tlio Ribeiro, Sameer Singh and Carlos Guestrin: ′′Why Should I Trust You?′′: Explaining the Predictions of Any Classifier, pp.1135-1144, KDD (2016).
• Anuj Karpatne, Imme Ebert Uphoff, Sai Ravela, Hassan Ali Babaie and Vipin Kumar: Machine Learning for the Geosciences: Challenges and Opportunities, arXiv (2017).
• Grgoire Montavon, Wojciech Samek and Klaus Robert Mller: Methods for Interpreting and Understanding Deep Neural Networks, arXiv (2017).
• A. Karpatne, G. Atluri, J. H. Faghmous, M. Steinbach, A. Banerjee, A. Ganguly, S. Shekhar, N. Samatova and V. Kumar:Theory-Guided Data Science: A New Paradigm for Scientific Discovery from Data, pp.2318-2331, IEEE TKDE (2017).

タイトルに関連する用語 (3件)： 物理過程 ,  ニューラルネットワーク ,  構築