抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層ニューラルネットワーク(DNN)は,人々の生活に影響する意思決定に広く使用されている。しかし,それらは不幸な結果をもたらすかもしれない重度の誤った行動を示すことが見出されている。以前の研究では,そのような誤行動は,単一画像上の誤差よりもクラス特性違反によりしばしば発生することを示した。このような誤差を検出する方法が提案されているが,それらの固定はこれまで研究されていない。ここでは,DNNを固定するために誤差生成クラスを目標とする5つの具体的方法から成る重み付け正則化(WR)と呼ばれる一般的方法を提案した。特に,単一ラベルとマルチラベル画像分類の両方に対するDNNモデルの混乱誤差とバイアス誤差を修復できる。与えられたDNNモデルが2つのクラスの間で混乱する傾向があるとき,混乱エラーが発生する。WRにおける各方法は,DNN再訓練または推論の段階でより多くの重みを割り当て,ターゲット対間の混乱を緩和する。バイアス誤差は同様に固定できる。6つの広く使用されたデータセットとアーキテクチャの組み合わせのベースラインと共に提案した方法を評価し,比較した。結果は,WR法が異なるトレードオフを持つが,各設定の下で少なくとも1WR法は,全体性能の非常に限られたコストで混乱/バイアス誤差を大きく低減できることを示した。【JST・京大機械翻訳】