論文の概要: Extracting low-dimensional psychological representations from convolutional neural networks

• arxiv url: http://arxiv.org/abs/2005.14363v1
• Date: Fri, 29 May 2020 01:29:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 23:48:54.444532
• Title: Extracting low-dimensional psychological representations from convolutional neural networks
• Title（参考訳）: 畳み込みニューラルネットワークによる低次元心理的表現の抽出
• Authors: Aditi Jha, Joshua Peterson, Thomas L. Griffiths
• Abstract要約: 類似性判定をまだ予測可能な低次元空間にニューラルネットワーク表現を還元する手法を提案する。 これらの低次元表現は、人間の類似性判断の根底にある要因についての洞察に富んだ説明を提供する。
• 参考スコア（独自算出の注目度）: 10.269997499911666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks are increasingly being used in cognitive modeling as a means of deriving representations for complex stimuli such as images. While the predictive power of these networks is high, it is often not clear whether they also offer useful explanations of the task at hand. Convolutional neural network representations have been shown to be predictive of human similarity judgments for images after appropriate adaptation. However, these high-dimensional representations are difficult to interpret. Here we present a method for reducing these representations to a low-dimensional space which is still predictive of similarity judgments. We show that these low-dimensional representations also provide insightful explanations of factors underlying human similarity judgments.
• Abstract（参考訳）: 深層ニューラルネットワークは、画像のような複雑な刺激の表現を導出する手段として認知モデリングにおいてますます使われている。 これらのネットワークの予測能力は高いが、手元にあるタスクの有用な説明を提供するかどうかは不明である。 畳み込みニューラルネットワーク表現は、適切な適応後の画像に対する人間の類似性判断を予測することが示されている。 しかし、これらの高次元表現は解釈が難しい。 本稿では,これらの表現を,相似性判定の予測的な低次元空間に還元する方法を提案する。 これらの低次元表現は、人間の類似性判断の基礎となる要因についての洞察に富む説明を与える。

関連論文リスト

• Local vs distributed representations: What is the right basis for interpretability? [19.50614357801837]
  スパース分布表現から得られる特徴は、人間の観察者による解釈が容易であることを示す。 この結果から,分散表現が解釈可能性の優れた基盤となることが明らかとなった。
  論文  参考訳（メタデータ） (2024-11-06T15:34:57Z)
• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• Finding Concept Representations in Neural Networks with Self-Organizing Maps [2.817412580574242]
  ニューラルネットワークの層活性化が抽象概念の神経表現にどのように対応するかを調べるために,自己組織化マップをどのように利用できるかを示す。 実験の結果, 概念の活性化マップの相対エントロピーは適切な候補であり, 概念の神経表現を同定し, 特定するための方法論として利用できることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T12:10:34Z)
• Image segmentation with traveling waves in an exactly solvable recurrent neural network [71.74150501418039]
  繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。 本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。 次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2023-11-28T16:46:44Z)
• Seeing in Words: Learning to Classify through Language Bottlenecks [59.97827889540685]
  人間は簡潔で直感的な説明を使って予測を説明することができる。 特徴表現がテキストである視覚モデルでは,画像ネットイメージを効果的に分類できることを示す。
  論文  参考訳（メタデータ） (2023-06-29T00:24:42Z)
• Searching for the Essence of Adversarial Perturbations [73.96215665913797]
  本稿では,ニューラルネットワークの誤予測の原因となる,人間の認識可能な情報を含む対人摂動について述べる。 この人間の認識可能な情報の概念は、敵の摂動に関連する重要な特徴を説明できる。
  論文  参考訳（メタデータ） (2022-05-30T18:04:57Z)
• Aesthetics and neural network image representations [0.0]
  我々は,BigGANアーキテクチャの生成ニューラルネットワークによって符号化された画像の空間を解析する。 ニューラルネットワークパラメータをフォトリアリスティックな点から遠ざかる一般的な乗法的摂動は、しばしば対応するオブジェクトの「芸術的回帰」として現れる画像を生成する。
  論文  参考訳（メタデータ） (2021-09-16T16:50:22Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Transforming Neural Network Visual Representations to Predict Human Judgments of Similarity [12.5719993304358]
  機械の視覚表現を人間の表現とよりよく一致させる方法について検討する。 深層埋め込みの線形変換を適切に行うことで、人間の二進選択の予測を改善することができる。
  論文  参考訳（メタデータ） (2020-10-13T16:09:47Z)
• The Representation Theory of Neural Networks [7.724617675868718]
  ニューラルネットワークは、量子表現の数学的理論によって表現できることを示す。 ネットワーククイバーが共通のニューラルネットワークの概念に優しく適応していることを示します。 また、ニューラルネットワークがデータから表現を生成する方法を理解するためのクイバー表現モデルも提供します。
  論文  参考訳（メタデータ） (2020-07-23T19:02:14Z)
• Towards Achieving Adversarial Robustness by Enforcing Feature Consistency Across Bit Planes [51.31334977346847]
  我々は、高ビット平面の情報に基づいて粗い印象を形成するためにネットワークを訓練し、低ビット平面を用いて予測を洗練させる。 異なる量子化画像間で学習した表現に一貫性を付与することにより、ネットワークの対角的ロバスト性が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-04-01T09:31:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。