Fugu-MT 論文翻訳(概要): NN2Rules: Extracting Rule List from Neural Networks

論文の概要: NN2Rules: Extracting Rule List from Neural Networks

arxiv url: http://arxiv.org/abs/2207.12271v1
Date: Mon, 4 Jul 2022 09:19:47 GMT
ステータス: 処理完了
システム内更新日: 2022-07-31 14:43:31.047688
Title: NN2Rules: Extracting Rule List from Neural Networks
Title（参考訳）: NN2Rules:ニューラルネットワークからルールリストを抽出する
Authors: G Roshan Lal and Varun Mithal
Abstract要約: NN2Rulesはルール抽出の分解的アプローチであり、トレーニングされたニューラルネットワークモデルのパラメータから一連の決定ルールを抽出する。抽出した決定ルールは、ニューラルネットワークが提示する任意の入力に対して、同じ予測値を持ち、したがって精度が同じであることを示す。
参考スコア（独自算出の注目度）: 0.913755431537592
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an algorithm, NN2Rules, to convert a trained neural network into a rule list. Rule lists are more interpretable since they align better with the way humans make decisions. NN2Rules is a decompositional approach to rule extraction, i.e., it extracts a set of decision rules from the parameters of the trained neural network model. We show that the decision rules extracted have the same prediction as the neural network on any input presented to it, and hence the same accuracy. A key contribution of NN2Rules is that it allows hidden neuron behavior to be either soft-binary (eg. sigmoid activation) or rectified linear (ReLU) as opposed to existing decompositional approaches that were developed with the assumption of soft-binary activation.
Abstract（参考訳）: トレーニングされたニューラルネットワークをルールリストに変換するアルゴリズムであるNN2Rulesを提案する。ルールリストは、人間が意思決定する方法に合致するため、より解釈可能である。 NN2Rulesはルール抽出の分解的アプローチであり、トレーニングされたニューラルネットワークモデルのパラメータから一連の決定ルールを抽出する。抽出された決定規則は、提示された任意の入力上のニューラルネットワークと同じ予測を持つため、精度が同じであることを示す。 NN2Rulesの重要な貢献は、隠されたニューロンの挙動がソフトバイナリ活性化(例えばシグモイド活性化)または修正線形(ReLU)のいずれかであり、ソフトバイナリ活性化を仮定して開発された既存の分解的アプローチとは対照的である。

関連論文リスト

LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
論文参考訳（メタデータ） (2024-07-18T22:05:21Z)
Nearest Neighbor Representations of Neural Circuits [12.221087476416056]
Nearest Neighbor (NN)表現は計算の新しいアプローチである。我々は、そのNN表現に対して、ビット数に明示的な境界を持つ明示的な構成を提供する。例えば、凸多面体のNN表現(閾値ゲートのAND)、IP2、閾値ゲートのOR、線形または正確な決定リストなどがある。
論文参考訳（メタデータ） (2024-02-13T19:38:01Z)
Permutation Equivariant Neural Functionals [92.0667671999604]
この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
論文参考訳（メタデータ） (2023-02-27T18:52:38Z)
Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文参考訳（メタデータ） (2022-08-08T03:13:24Z)
Learning to Reverse DNNs from AI Programs Automatically [8.414732322675093]
NNReverseは,ドメイン知識のないAIプログラムからDNNをリバース可能な,最初の学習ベース手法である。アセンブリ命令のセマンティクスを正確に表現するために、NNReverseはよりきめ細かい埋め込みモデルを提案する。
論文参考訳（メタデータ） (2022-05-20T04:17:19Z)
Efficient Decompositional Rule Extraction for Deep Neural Networks [5.69361786082969]
ECLAIREは、大規模なDNNアーキテクチャと大規模なトレーニングデータセットの両方にスケール可能な、新しい時間ルール抽出アルゴリズムである。 ECLAIREは、現在の最先端手法よりも正確で理解しやすいルールセットを一貫して抽出することを示す。
論文参考訳（メタデータ） (2021-11-24T16:54:10Z)
LNN-EL: A Neuro-Symbolic Approach to Short-text Entity Linking [62.634516517844496]
本稿では,解釈可能なルールとニューラルネットワークの性能を併用したニューラルシンボリックアプローチであるLNN-ELを提案する。ルールの使用に制約があるにもかかわらず、LNN-ELはSotAのブラックボックスニューラルアプローチと競合する。
論文参考訳（メタデータ） (2021-06-17T20:22:45Z)
Learning Accurate and Interpretable Decision Rule Sets from Neural Networks [5.280792199222362]
本論文では,分類の解釈可能なモデルとして独立論理則の集合を解読正規形式で学習する新しいパラダイムを提案する。我々は、ニューラルネットワークを特定の、しかし非常に単純な2層アーキテクチャでトレーニングすることとして、解釈可能な決定ルールセットを学ぶ問題を考える。
論文参考訳（メタデータ） (2021-03-04T04:10:19Z)
LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文参考訳（メタデータ） (2021-03-01T03:10:11Z)
Rule Extraction from Binary Neural Networks with Convolutional Rules for Model Validation [16.956140135868733]
本稿では,畳み込みニューラルネットワーク(CNN)を用いて抽出可能な論理則である一階畳み込み規則について紹介する。提案手法は,ローカルサーチを用いたバイナリニューラルネットワークからのルール抽出に基づいている。実験の結果,提案手法はニューラルネットワークの機能をモデル化できると同時に,解釈可能な論理ルールを生成できることがわかった。
論文参考訳（メタデータ） (2020-12-15T17:55:53Z)
Training Binary Neural Networks through Learning with Noisy Supervision [76.26677550127656]
本稿では,ニューラルネットワーク上の二項化操作を学習の観点から定式化する。ベンチマークデータセットの実験結果から,提案手法がベースラインよりも一貫した改善を達成できることが示唆された。
論文参考訳（メタデータ） (2020-10-10T01:59:39Z)

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。