論文の概要: Scalable, Axiomatic Explanations of Deep Alzheimer's Diagnosis from Heterogeneous Data

• arxiv url: http://arxiv.org/abs/2107.05997v1
• Date: Tue, 13 Jul 2021 11:25:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 14:58:17.871438
• Title: Scalable, Axiomatic Explanations of Deep Alzheimer's Diagnosis from Heterogeneous Data
• Title（参考訳）: Heterogeneous Data によるDeep Alzheimer 診断のスケーラブル・軸索的説明
• Authors: Sebastian P\"olsterl and Christina Aigner and Christian Wachinger
• Abstract要約: そこで我々は,DNNによるアルツハイマー病の診断を説明するために,SVEHNN(Shapley Value Explanation of Heterogeneous Neural Networks)を提案する。 我々の説明はShapley値に基づいており、これは局所的な説明のためにすべての基本公理を満たすユニークな方法である。 合成データおよび実データに関する実験では,Shapleyの正確な値を劇的に削減した実行時間で近似できることが示されている。
• 参考スコア（独自算出の注目度）: 3.5235974685889397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Neural Networks (DNNs) have an enormous potential to learn from complex biomedical data. In particular, DNNs have been used to seamlessly fuse heterogeneous information from neuroanatomy, genetics, biomarkers, and neuropsychological tests for highly accurate Alzheimer's disease diagnosis. On the other hand, their black-box nature is still a barrier for the adoption of such a system in the clinic, where interpretability is absolutely essential. We propose Shapley Value Explanation of Heterogeneous Neural Networks (SVEHNN) for explaining the Alzheimer's diagnosis made by a DNN from the 3D point cloud of the neuroanatomy and tabular biomarkers. Our explanations are based on the Shapley value, which is the unique method that satisfies all fundamental axioms for local explanations previously established in the literature. Thus, SVEHNN has many desirable characteristics that previous work on interpretability for medical decision making is lacking. To avoid the exponential time complexity of the Shapley value, we propose to transform a given DNN into a Lightweight Probabilistic Deep Network without re-training, thus achieving a complexity only quadratic in the number of features. In our experiments on synthetic and real data, we show that we can closely approximate the exact Shapley value with a dramatically reduced runtime and can reveal the hidden knowledge the network has learned from the data.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、複雑なバイオメディカルデータから学ぶ大きな可能性を秘めている。 特に、DNNは神経解剖学、遺伝学、バイオマーカー、および高度に正確なアルツハイマー病の診断のための神経心理学的検査から異種情報をシームレスに融合するために使われてきた。 一方, そのブラックボックスの性質は, 解釈可能性が不可欠であるクリニックにおいて, このようなシステムを採用する上で, 依然として障壁となっている。 神経解剖学および表層バイオマーカーの3D点雲からDNNによって診断されたアルツハイマー病の診断を説明するために, ヘテロジニアスニューラルネットワーク(SVEHNN)のShapley Value Explanationを提案する。 我々の説明はシェープリー値に基づいており、これは文献で以前に確立された局所的な説明のために全ての基本公理を満たすユニークな方法である。 このように、SVEHNNは、これまでの医学的意思決定における解釈可能性の欠如に多くの望ましい特徴を持っている。 そこで本稿では,Shapley値の指数時間的複雑性を回避するために,与えられたDNNを再学習せずに軽量確率的深層ネットワークに変換することを提案する。 合成データと実データに関する実験では、シャプリーの正確な値を劇的に削減し、ネットワークがデータから学んだ隠れた知識を明らかにすることができることを示した。

関連論文リスト

• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Brain-Inspired Spiking Neural Networks for Industrial Fault Diagnosis: A Survey, Challenges, and Opportunities [10.371337760495521]
  Spiking Neural Network (SNN)は、Brainにインスパイアされたコンピューティングの原理に基づいている。 本稿では,SNNモデルの理論的進歩を体系的にレビューし,SNNとは何かという疑問に答える。
  論文  参考訳（メタデータ） (2023-11-13T11:25:34Z)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• Don't PANIC: Prototypical Additive Neural Network for Interpretable Classification of Alzheimer's Disease [2.4469484645516837]
  本稿では,アルツハイマー病 (AD) の分類を解釈するための原型付加型ニューラルネットワークであるPANICを提案する。 PANICはAD分類における最先端のパフォーマンスを達成し,局所的およびグローバルな説明を直接提供することを示す。
  論文  参考訳（メタデータ） (2023-03-13T13:56:20Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Augmenting Neural Networks with Priors on Function Values [22.776982718042962]
  関数値に関する以前の知識は、しばしば自然科学で利用することができる。 BNNは、ユーザーが関数値を直接ではなく、ニューラルネットワークの重みについてのみ事前情報を指定できるようにする。 我々は,関数値自体の事前情報を付加したBNNの拡張手法を開発した。
  論文  参考訳（メタデータ） (2022-02-10T02:24:15Z)
• Predicting isocitrate dehydrogenase mutationstatus in glioma using structural brain networksand graph neural networks [6.67232502899311]
  Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に重要な価値をもたらす。 機械学習とディープラーニングモデルは、IDH変異状態を予測する上で適切なパフォーマンスを示す。 本稿では,患者の脳の構造的ネットワークに基づくグラフニューラルネットワーク(GNN)を用いたIDH変異の予測手法を提案する。
  論文  参考訳（メタデータ） (2021-09-04T12:19:33Z)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)
• Deep Transparent Prediction through Latent Representation Analysis [0.0]
  本稿では,訓練されたディープニューラルネットワーク(DNN)から潜時情報を抽出し,予測目的のために効果的で統一された方法で解析された簡潔な表現を導出する,新しいディープラーニング手法を提案する。 透明性と高い予測精度を組み合わせることが、提案手法の目標である。
  論文  参考訳（メタデータ） (2020-09-13T19:21:40Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。