論文の概要: AdjointBackMap: Reconstructing Effective Decision Hypersurfaces from CNN
Layers Using Adjoint Operators
- arxiv url: http://arxiv.org/abs/2012.09020v2
- Date: Tue, 30 Mar 2021 02:13:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 03:12:55.512441
- Title: AdjointBackMap: Reconstructing Effective Decision Hypersurfaces from CNN
Layers Using Adjoint Operators
- Title（参考訳）: AdjointBackMap: 共役演算子を用いたCNN層からの効果的な決定超曲面の再構築
- Authors: Qing Wan, Yoonsuck Choe
- Abstract要約: 畳み込みニューラルネットワーク(CNN)の内部動作を説明する手法を提案する。
CNNユニットの判定面が入力にほとんど条件付けられていることが分かり、このことが、CNNを効果的に騙すことができる理由を説明できる。
- 参考スコア（独自算出の注目度）: 10.8349819399336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There are several effective methods in explaining the inner workings of
convolutional neural networks (CNNs). However, in general, finding the inverse
of the function performed by CNNs as a whole is an ill-posed problem. In this
paper, we propose a method based on adjoint operators to reconstruct, given an
arbitrary unit in the CNN (except for the first convolutional layer), its
effective hypersurface in the input space that replicates that unit's decision
surface conditioned on a particular input image. Our results show that the
hypersurface reconstructed this way, when multiplied by the original input
image, would give nearly the exact output value of that unit. We find that the
CNN unit's decision surface is largely conditioned on the input, and this may
explain why adversarial inputs can effectively deceive CNNs.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の内部動作を説明する効果的な方法はいくつかある。
しかし、一般的には、CNNによって実行される関数の逆数を見つけることは、誤った問題である。
本稿では,CNNの任意の単位(第1畳み込み層を除く)を与えられた随伴演算子に基づく再構成手法を提案する。
以上の結果から, 原画像に乗じれば, ユニットの正確な出力値に近い値が得られることが示唆された。
CNNユニットの判定面が入力にほとんど条件付けられていることが分かり、このことがCNNを効果的に欺く理由を説明できるかもしれない。
関連論文リスト
- Training Convolutional Neural Networks with the Forward-Forward
algorithm [1.74440662023704]
Forward Forward (FF)アルゴリズムは、現在まで完全に接続されたネットワークでしか使われていない。
FFパラダイムをCNNに拡張する方法を示す。
我々のFF学習したCNNは、空間的に拡張された新しいラベリング手法を特徴とし、MNISTの手書き桁データセットにおいて99.16%の分類精度を実現している。
論文 参考訳（メタデータ） (2023-12-22T18:56:35Z) - What Can Be Learnt With Wide Convolutional Neural Networks? [69.55323565255631]
カーネルシステムにおける無限大の深層CNNについて検討する。
我々は,深部CNNが対象関数の空間スケールに適応していることを証明する。
我々は、別の深部CNNの出力に基づいて訓練された深部CNNの一般化誤差を計算して結論付ける。
論文 参考訳（メタデータ） (2022-08-01T17:19:32Z) - Generalizing Neural Networks by Reflecting Deviating Data in Production [15.498447555957773]
本稿では,DNNに対する予期せぬ実行時入力によるDNNの誤予測を緩和する実行時アプローチを提案する。
我々は,シームズネットワークが学習した距離測定値に基づく分布解析器を用いて,意味的に保存されていない入力を識別する。
我々のアプローチは、これらの予期せぬ入力を、類似のセマンティクスを持つと認識されるトレーニングセットから入力に変換する。
論文 参考訳（メタデータ） (2021-10-06T13:05:45Z) - AdjointBackMapV2: Precise Reconstruction of Arbitrary CNN Unit's
Activation via Adjoint Operators [3.7676096626244973]
本稿では,高次重みを拡張入力空間にマッピングし,有効超曲面を再構成する随伴演算子に基づくアルゴリズムを提案する。
CIFAR-10とCIFAR-100データセットに基づく実験結果を示す。
論文 参考訳（メタデータ） (2021-10-04T22:56:11Z) - Redundant representations help generalization in wide neural networks [71.38860635025907]
様々な最先端の畳み込みニューラルネットワークの最後に隠された層表現について検討する。
最後に隠された表現が十分に広ければ、そのニューロンは同一の情報を持つグループに分裂し、統計的に独立したノイズによってのみ異なる傾向にある。
論文 参考訳（メタデータ） (2021-06-07T10:18:54Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-03-04T13:34:22Z) - Shape-Tailored Deep Neural Networks [87.55487474723994]
ST-DNN(Shape-Tailored Deep Neural Networks)の紹介
ST-DNNは、固定形状(正方形)の近傍からデータを集約する畳み込みネットワーク(CNN)を拡張し、任意形状の領域で定義された記述子を計算する。
ST-DNNが3〜4桁小さく、CNNがセグメンテーションに使用されることを示しています。
論文 参考訳（メタデータ） (2021-02-16T23:32:14Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳（メタデータ） (2021-01-29T07:46:39Z) - Noise-Equipped Convolutional Neural Networks [15.297063646935078]
Convolutional Neural Network (CNN)は、画像合成および翻訳タスクに広く採用されています。
CNNモデルにフラットな入力が与えられると、畳み込みカーネルの空間的共有性により、変換はスケール操作に分解される。
論文 参考訳（メタデータ） (2020-12-09T09:01:45Z) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳（メタデータ） (2019-03-24T19:42:39Z)
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。