Fugu-MT 論文翻訳(概要): ExSpliNet: An interpretable and expressive spline-based neural network

論文の概要: ExSpliNet: An interpretable and expressive spline-based neural network

arxiv url: http://arxiv.org/abs/2205.01510v1
Date: Tue, 3 May 2022 14:06:36 GMT
ステータス: 処理完了
システム内更新日: 2022-05-04 16:03:54.486863
Title: ExSpliNet: An interpretable and expressive spline-based neural network
Title（参考訳）: ExSpliNet: 解釈可能な表現型スプラインベースニューラルネットワーク
Authors: Daniele Fakhoury, Emanuele Fakhoury and Hendrik Speleers
Abstract要約: 本稿では,解釈可能な表現型ニューラルネットワークモデルであるExSpliNetを提案する。我々はモデルを確率論的に解釈し、その普遍近似特性を示す。
参考スコア（独自算出の注目度）: 0.3867363075280544
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we present ExSpliNet, an interpretable and expressive neural network model. The model combines ideas of Kolmogorov neural networks, ensembles of probabilistic trees, and multivariate B-spline representations. We give a probabilistic interpretation of the model and show its universal approximation properties. We also discuss how it can be efficiently encoded by exploiting B-spline properties. Finally, we test the effectiveness of the proposed model on synthetic approximation problems and classical machine learning benchmark datasets.
Abstract（参考訳）: 本稿では,解釈可能な表現型ニューラルネットワークモデルであるExSpliNetを提案する。このモデルはコルモゴロフニューラルネットワークのアイデア、確率木のアンサンブル、多変量B-スプライン表現を組み合わせたものである。我々はモデルを確率論的に解釈し、その普遍近似特性を示す。また、B-スプライン特性を利用して効率的に符号化する方法についても論じる。最後に,提案モデルが合成近似問題および古典的機械学習ベンチマークデータセットに与える影響を検証する。

関連論文リスト

Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。本手法は, 推定手法よりも有効であることを示す。
論文参考訳（メタデータ） (2024-08-26T08:39:09Z)
Relational Composition in Neural Networks: A Survey and Call to Action [54.47858085003077]
多くのニューラルネットは、データを「機能ベクトル」の線形結合として表現しているように見える。我々は、この成功は関係性の構成を理解せずに不完全であると主張する。
論文参考訳（メタデータ） (2024-07-19T20:50:57Z)
This Probably Looks Exactly Like That: An Invertible Prototypical Network [8.957872207471311]
プロトタイプニューラルネットワークは、概念アノテーションなしで人間に理解可能な機械学習を実現するための、エキサイティングな方法だ。原型的説明に対する間接的解釈関数への依存は、プロトタイプの情報的力に厳しい制限を課すことが判明した。本稿では,ガウス混合モデルを用いて正規化フローを構成することにより,ProtoFlowと呼ばれるモデルを提案する。
論文参考訳（メタデータ） (2024-07-16T21:51:02Z)
Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
論文参考訳（メタデータ） (2024-01-11T18:57:17Z)
Tractable Probabilistic Graph Representation Learning with Graph-Induced Sum-Product Networks [25.132159381873656]
グラフ表現学習のための新しい確率的フレームワークであるグラフ誘導Sum-Product Networks (GSPNs)を紹介する。このモデルが持つ競争力は,不足するデータの下での監視シナリオの不足や,一般的なニューラルモデルと比較したグラフ分類に代表される。
論文参考訳（メタデータ） (2023-05-17T20:02:08Z)
Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文参考訳（メタデータ） (2022-06-26T16:00:22Z)
PAC-Bayesian Learning of Aggregated Binary Activated Neural Networks with Probabilities over Representations [2.047424180164312]
本研究では,確率論的ニューラルネットワークの予測器としての期待値について検討し,実数値重みによる正規分布を持つ二元活性化ニューラルネットワークの集約に着目した。我々は、動的プログラミングアプローチのおかげで、深いが狭いニューラルネットワークに対して、正確な計算が引き続き実行可能であることを示す。
論文参考訳（メタデータ） (2021-10-28T14:11:07Z)
Fully differentiable model discovery [0.0]
ニューラルネットワークに基づくサロゲートとスパースベイズ学習を組み合わせたアプローチを提案する。我々の研究は、PINNを様々なタイプのニューラルネットワークアーキテクチャに拡張し、ニューラルネットワークベースのサロゲートをベイズパラメータ推論のリッチフィールドに接続する。
論文参考訳（メタデータ） (2021-06-09T08:11:23Z)
DebiNet: Debiasing Linear Models with Nonlinear Overparameterized Neural Networks [11.04121146441257]
パラメータ化ニューラルネットワークを半パラメトリックモデルに組み込んで推論と予測のギャップを埋める。我々はこれを可能とし、数値実験で実証する理論的基礎を示す。半パラメトリックニューラルネットワークに任意の特徴選択手法をプラグインするフレームワークであるDebiNetを提案する。
論文参考訳（メタデータ） (2020-11-01T04:12:53Z)
Explaining and Improving Model Behavior with k Nearest Neighbor Representations [107.24850861390196]
モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
論文参考訳（メタデータ） (2020-10-18T16:55:25Z)

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。