Bayesニューラルネットワークのための説明可能な人工知能:海洋動力学の信頼できる予測に向けて【JST・京大機械翻訳】

Clare Mariana C. A.; Sonnewald Maike; Lguensat Redouane; Deshayes Julie; Balaji Venkatramani

プレプリント

J-GLOBAL ID：202202218145154553 整理番号：22P0341391

Bayesニューラルネットワークのための説明可能な人工知能:海洋動力学の信頼できる予測に向けて【JST・京大機械翻訳】

Explainable Artificial Intelligence for Bayesian Neural Networks: Towards trustworthy predictions of ocean dynamics

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年04月30日プレプリントサーバーでの情報更新日： 2022年04月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

ニューラルネットワークの信頼性は,不確実性を表現する能力がなく,それらのスキルを説明するので,しばしば挑戦される。これは,気候変動応用のような高 sの意思決定におけるニューラルネットワークの使用の増加に問題を与える。Bayesニューラルネットワーク(BNN)を成功裏に実装することによる問題を取り上げ,そこでは,パラメータが決定論的ではなく,説明可能なAI(XAI)技術の新しい実装を適用する。BNNからの不確実性解析は,古典的ニューラルネットワークからの予測よりも実務者のニーズに適切な予測の包括的な概観を提供する。BNN法を用いて,予測のエントロピー(すなわち不確実性)を計算し,結果の確率が統計的に有意であるかどうかを決定した。信頼性を高めるため,著者らはまた,Layer-way Revance Projectation(LRP)とSHapley Additive ExPlanation(SHAP)値の2つのXAI技術を空間的に適用した。これらのXAI法は,BNNが適切かつ/または信頼できる範囲を明らかにした。2つの技法を用いて,LRPがニューラルネットワークパラメータを考慮するので,BNNスキルとその不確実性のより全体的な見解を与えるが,SHAPは出力の変化を考慮する。物理的理論からの直感との比較を用いてこれらの技術を検証した。説明の違いは,新しい物理理論誘導研究が必要とされる可能性のある領域を同定する。【JST・京大機械翻訳】

, , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能

, , , , , ,

前のページに戻る