文献

J-GLOBAL ID：202202290001437689   整理番号：22A1019048

画像分類モデルにおける説明可能な機械学習:不確実性定量化の展望【JST・京大機械翻訳】

Explainable machine learning in image classification models: An uncertainty quantification perspective

著者 (3件)： Zhang Xiaoge (Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University, Hung Hom, Kowloon, Hong Kong) ,  Chan Felix T.S. (Department of Decision Sciences, Macau University of Science and Technology, Avenida Wai Long, Taipa, Macao) ,  Mahadevan Sankaran (Department of Civil and Environmental Engineering, School of Engineering, Vanderbilt University, Nashville, TN 37235, USA)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 243  ページ： Null  発行年： 2022年 
JST資料番号： T0426A  ISSN： 0950-7051  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： 深層学習モデルの貧弱な説明性は,安全性と品質臨界応用におけるそれらの採用を妨げている。本論文では,画像分類モデルに焦点を当て,不確実性定量化ベースフレームワークの開発を通して,深層学習モデルの説明可能性を強化することを目的とした。提案した方法論は3つの主要段階から成る。第一段階では,深い学習モデルに固有な構造とパラメータの不確実性を特徴付けるためにドロップアウトベースのBayesニューラルネットワークを採用し,分布としてモデル予測にそのような不確実性を伝播し,表現した。次に,モデル予測の不確実性を測定するために定量的指標としてエントロピーを採用し,モデル予測を受け入れるか拒絶する時に決定するための適切な閾値を決定するために,経験的累積分布関数(ECDF)ベースのアプローチを開発した。第2に,高いモデル予測不確実性の事例において,著者らは,予測差異解析(PDA)方式をドロップアウトベースのBayesニューラルネットワークと組合せ,画素ごとの特徴重要性における不確実性を定量化して,モデル予測不確実性と高度に相関する入力画像における位置を同定した。第3段階では,入力特性とモデル予測の間の関連性を高めるためにロバスト性ベース設計最適化定式化を開発し,特徴重要度の高い不確実性を持つ入力画像における画素を最適化するための微分進化アプローチを利用した。MNISTとCIFAR-10画像分類における実験的研究は,深い学習モデルの説明可能性の増加における提案した方法の有効性を実証するために含まれている。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： エントロピー ,  最適化 ,  学習モデル ,  *不確実性 ,  ニューラルネットワーク ,  臨界 ,  画素 ,  *モデル ,  定式化 ,  ロバスト性 ,  *機械学習
準シソーラス用語： *画像分類 ,  微分進化 ,  モデル予測 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層学習 ,  モデル説明可能性 ,  不確実性定量化 ,  Bayesニューラルネットワーク ,  予測差異解析

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 画像分類 ,  モデル ,  説明 ,  機械学習 ,  不確実性 ,  定量化 ,  展望