文献

J-GLOBAL ID：202202243383153136   整理番号：22A0567442

精度と解釈可能性の両方を達成するためのスパース局所線形モデルのニューラルジェネレータ【JST・京大機械翻訳】

Neural generators of sparse local linear models for achieving both accuracy and interpretability

著者 (2件)： Yoshikawa Yuya (Software Technology and Artificial Intelligence Research Laboratory, Chiba Institute of Technology, 2-17-1 Tsudanuma, Narashino, 275-0016, Chiba, Japan) ,  Iwata Tomoharu (NTT Communication Science Laboratories, 2-4 Hikaridai, Sorakugun, Seikacho, 619-0237, Kyoto, Japan)
資料名： Information Fusion  (Information Fusion)
巻： 81  ページ： 116-128  発行年： 2022年 
JST資料番号： W3167A  ISSN： 1566-2535  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 信頼性のためには,人間によって解釈できる機械学習法によって作成した予測が重要である。一般的に,深いニューラルネットワーク(DNN)は正確な予測を提供できるが,そのような予測がDNNによって得られる理由を解釈するのは難しい。一方,実際のデータが本質的に非線形であるので,それらの予測性能は低いが,線形モデルの解釈は容易である。DNNの高い予測性能の利点と単一モデルへの線形モデルの高い解釈の両方を組み合わせるために,スパース局所線形モデル(NGSLL)の神経発生器を提案した。スパース局所線形モデルは,非線形関数を近似できるため,高い柔軟性を持つ。NGSLLは,各サンプル(例えば,単語シーケンス)の元の表現と入力として単純化された表現(例えば,語彙)を取るDNNを用いて,各サンプルに対してスパース線形重みを生成する。元の表現から特徴を抽出することにより,重みは豊富な情報を含み,高い予測性能を達成できる。さらに,単純化表現とスパース重みの間の内積を通して得られるので,予測が解釈でき,そこでは,NGSLLのゲートモジュールによって少数の重みしか選択されない。画像,テキストおよび表データセットに関する実験において,著者らは,予測性能を評価して,生成された重みを視覚化することによって,定量的および定性的にNGSLLの有効性を実証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 簡素化 ,  信頼性 ,  データ ,  *数学モデル ,  ニューラルネットワーク ,  試料 ,  可視化 ,  語彙 ,  特徴選択 ,  線形性 ,  *モデル ,  内積 ,  単語 ,  機械学習
準シソーラス用語： 非線形関数 ,  *線形モデル , 【Automatic Indexing@JST】

著者キーワード (5件)： 解釈可能な機械学習 ,  ニューラルネットワーク ,  局所線形モデル ,  特徴選択 ,  説明可能性

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (2件)： 解釈可能性 ,  線形モデル