Fugu-MT 論文翻訳(概要): Uninorm-like parametric activation functions for human-understandable neural models

論文の概要: Uninorm-like parametric activation functions for human-understandable neural models

arxiv url: http://arxiv.org/abs/2205.06547v1
Date: Fri, 13 May 2022 10:25:02 GMT
ステータス: 処理完了
システム内更新日: 2022-05-16 12:35:16.614225
Title: Uninorm-like parametric activation functions for human-understandable neural models
Title（参考訳）: ヒト理解可能なニューラルモデルのための一様パラメトリック活性化関数
Authors: Orsolya Csisz\'ar, Luca S\'ara Pusztah\'azi, Lehel D\'enes-Fazakas, Michael S. Gashler, Vladik Kreinovich, G\'abor Csisz\'ar
Abstract要約: 入力特徴間の人間の理解可能な接続を見つけるための深層学習モデルを提案する。提案手法では,ファジィ論理と多条件決定の理論的背景に基づいて,パラメータ化・微分可能なアクティベーション関数を用いる。 UCI Machine Learning Repositoryの分類問題に適用することで,モデルの有用性と有効性を示す。
参考スコア（独自算出の注目度）: 0.8808021343665319
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present a deep learning model for finding human-understandable connections between input features. Our approach uses a parameterized, differentiable activation function, based on the theoretical background of nilpotent fuzzy logic and multi-criteria decision-making (MCDM). The learnable parameter has a semantic meaning indicating the level of compensation between input features. The neural network determines the parameters using gradient descent to find human-understandable relationships between input features. We demonstrate the utility and effectiveness of the model by successfully applying it to classification problems from the UCI Machine Learning Repository.
Abstract（参考訳）: 入力特徴間の人間の理解可能な接続を見つけるための深層学習モデルを提案する。提案手法は, 虚弱ファジィ論理とマルチ基準決定法(MCDM)の理論的背景に基づいて, パラメータ化・微分可能なアクティベーション関数を用いる。学習可能なパラメータは、入力特徴間の補償レベルを示す意味意味を有する。ニューラルネットワークは、勾配降下を用いたパラメータを決定し、入力特徴間の人間の理解可能な関係を見つける。 UCI Machine Learning Repositoryの分類問題に適用することで,モデルの有用性と有効性を示す。

関連論文リスト

Disentangled Representation Learning for Parametric Partial Differential Equations [31.240283037552427]
ニューラル演算子パラメータから不整合表現を学習するための新しいパラダイムを提案する。 DisentangOは、ブラックボックス・ニューラル・オペレーターパラメータに埋め込まれた変動の潜在的物理的要因を明らかにし、取り除くように設計された、新しいハイパーニューラル・オペレーターアーキテクチャである。本研究では、DentangOが有意義かつ解釈可能な潜在特徴を効果的に抽出し、ニューラルネットワークフレームワークにおける予測性能と身体的理解の分離を橋渡しすることを示す。
論文参考訳（メタデータ） (2024-10-03T01:40:39Z)
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)
Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文参考訳（メタデータ） (2022-09-26T17:59:58Z)
Interpretable Fusion Analytics Framework for fMRI Connectivity: Self-Attention Mechanism and Latent Space Item-Response Model [0.4893345190925178]
本稿では,ディープラーニングプロセスの分類結果を解釈する新しい分析フレームワークを提案する。この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
論文参考訳（メタデータ） (2022-07-04T17:01:18Z)
Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文参考訳（メタデータ） (2022-03-23T12:52:49Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Identification of brain states, transitions, and communities using functional MRI [0.5872014229110214]
ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
論文参考訳（メタデータ） (2021-01-26T08:10:00Z)
An in-depth comparison of methods handling mixed-attribute data for general fuzzy min-max neural network [9.061408029414455]
我々は、データセットを混合特徴で扱う3つの主要な方法を比較し、評価する。実験の結果,ターゲットとJames-SteinはGFMMモデルのアルゴリズムを学習するための適切な分類的符号化法であることがわかった。 GFMMニューラルネットワークと決定木の組み合わせは、データセット上のGFMMモデルの分類性能と混合特徴を向上するフレキシブルな方法である。
論文参考訳（メタデータ） (2020-09-01T05:12:22Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)
A Neural-embedded Choice Model: TasteNet-MNL Modeling Taste Heterogeneity with Flexibility and Interpretability [0.0]
離散選択モデル(DCM)は実用機能、特に個人間での味の相違について事前知識を必要とする。本稿では,ニューラルネットワークを用いて味の表現を学習する。本研究では,TasteNet-MNLが基底構造モデルの予測可能性に到達し,合成データから非線形味関数を復元することを示す。
論文参考訳（メタデータ） (2020-02-03T18:03:54Z)

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。