論文の概要: ERIC: Extracting Relations Inferred from Convolutions
- arxiv url: http://arxiv.org/abs/2010.09452v1
- Date: Mon, 19 Oct 2020 13:04:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 20:12:19.635783
- Title: ERIC: Extracting Relations Inferred from Convolutions
- Title（参考訳）: ERIC:畳み込みから推測される関係の抽出
- Authors: Joe Townsend, Theodoros Kasioumis and Hiroya Inakoshi
- Abstract要約: 畳み込みニューラルネットワークの複数の層にまたがるカーネルの挙動を論理プログラムを用いて近似できることを示す。
また,CNNの動作をより深く理解するためのフレームワークとして,抽出プログラムが利用できることを示す。
- 参考スコア（独自算出の注目度）: 1.878433493707693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Our main contribution is to show that the behaviour of kernels across
multiple layers of a convolutional neural network can be approximated using a
logic program. The extracted logic programs yield accuracies that correlate
with those of the original model, though with some information loss in
particular as approximations of multiple layers are chained together or as
lower layers are quantised. We also show that an extracted program can be used
as a framework for further understanding the behaviour of CNNs. Specifically,
it can be used to identify key kernels worthy of deeper inspection and also
identify relationships with other kernels in the form of the logical rules.
Finally, we make a preliminary, qualitative assessment of rules we extract from
the last convolutional layer and show that kernels identified are symbolic in
that they react strongly to sets of similar images that effectively divide
output classes into sub-classes with distinct characteristics.
- Abstract（参考訳）: 我々の主な貢献は、畳み込みニューラルネットワークの複数の層にまたがるカーネルの挙動を論理プログラムを用いて近似できることを示すことである。
抽出された論理プログラムは、元のモデルと相関する確率を与えるが、特に複数の層の近似が連結されたり、より低い層が量子化されたりするなどの情報損失がある。
また,CNNの動作をより深く理解するためのフレームワークとして,抽出プログラムが利用できることを示す。
具体的には、より深い検査に値するキーカーネルの特定や、論理ルールの形式で他のカーネルとの関係の特定に使用できる。
最後に,最後の畳み込み層から抽出した規則の予備的,質的評価を行い,カーネルが類似した画像の集合に強く反応し,出力クラスを異なる特性を持つサブクラスに効果的に分割することを示す。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Deciphering 'What' and 'Where' Visual Pathways from Spectral Clustering of Layer-Distributed Neural Representations [15.59251297818324]
本稿では,ニューラルネットワークのアクティベーションに含まれる情報をグループ化する手法を提案する。
すべてのレイヤの機能を利用して、モデルのどの部分が関連する情報を含んでいるのかを推測する必要をなくします。
論文 参考訳（メタデータ） (2023-12-11T01:20:34Z) - Using Logic Programming and Kernel-Grouping for Improving
Interpretability of Convolutional Neural Networks [1.6317061277457001]
ニューロシンボリック・フレームワークであるNeSyFOLD-GはCNNの最終層カーネルを用いてシンボリック・ルールセットを生成する。
同様のカーネルをグループ化することで,FOLD-SE-Mが生成するルールセットのサイズが大幅に小さくなることを示す。
また,ルールセット内の各述語を,対応するカーネル群が表現する意味概念とラベル付けする新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-19T18:12:49Z) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Verification of Neural Network Control Systems using Symbolic Zonotopes
and Polynotopes [1.0312968200748116]
ニューラルネットワーク制御システム(NNCS)の検証と安全性評価は、新たな課題である。
保証を得るためには、検証ツールは、制御ループ内のニューラルネットワークと物理システムの間の相互作用を効率的にキャプチャする必要がある。
NNCSの分析において,長期的シンボル依存の保存に焦点をあてた構成的アプローチを提案する。
論文 参考訳（メタデータ） (2023-06-26T11:52:14Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - Inference Graphs for CNN Interpretation [12.765543440576144]
畳み込みニューラルネットワーク(CNN)は多くの視覚関連タスクにおいて優れた精度を実現している。
本稿では,確率モデルを用いたネットワーク隠蔽層の活動のモデル化を提案する。
このようなグラフは、クラス全体の推論プロセスの理解や、ネットワークが特定の画像に対して行う決定を説明するのに有用であることを示す。
論文 参考訳（メタデータ） (2021-10-20T13:56:09Z) - Generalized Leverage Score Sampling for Neural Networks [82.95180314408205]
レバレッジスコアサンプリング(英: Leverage score sample)は、理論計算機科学に由来する強力な技術である。
本研究では、[Avron, Kapralov, Musco, Musco, Musco, Velingker, Zandieh 17] の結果をより広範なカーネルのクラスに一般化する。
論文 参考訳（メタデータ） (2020-09-21T14:46:01Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z)
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。