論文の概要: Interpretable Geometric Deep Learning via Learnable Randomness Injection

• arxiv url: http://arxiv.org/abs/2210.16966v1
• Date: Sun, 30 Oct 2022 22:24:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 18:09:43.601300
• Title: Interpretable Geometric Deep Learning via Learnable Randomness Injection
• Title（参考訳）: 学習可能なランダムネス注入による幾何学的深層学習
• Authors: Siqi Miao, Yunan Luo, Mia Liu, Pan Li
• Abstract要約: 幾何学的深層学習(GDL)は、ポイントクラウドデータを用いた予測タスクの解法として広く応用されている。 学習性ランダムネスインジェクション(LRI)と呼ばれる一般的なメカニズムは、本質的に解釈可能なモデルの構築を可能にする。 LRIによって誘導されるモデルは、一度訓練されると、予測ラベルを示す情報を運ぶポイントクラウドデータのポイントを検出することができる。
• 参考スコア（独自算出の注目度）: 7.075173129987193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud data is ubiquitous in scientific fields. Recently, geometric deep learning (GDL) has been widely applied to solve prediction tasks with such data. However, GDL models are often complicated and hardly interpretable, which poses concerns to scientists when deploying these models in scientific analysis and experiments. This work proposes a general mechanism named learnable randomness injection (LRI), which allows building inherently interpretable models based on general GDL backbones. LRI-induced models, once being trained, can detect the points in the point cloud data that carry information indicative of the prediction label. We also propose four datasets from real scientific applications that cover the domains of high-energy physics and biochemistry to evaluate the LRI mechanism. Compared with previous post-hoc interpretation methods, the points detected by LRI align much better and stabler with the ground-truth patterns that have actual scientific meanings. LRI is grounded by the information bottleneck principle. LRI-induced models also show more robustness to the distribution shifts between training and test scenarios. Our code and datasets are available at \url{https://github.com/Graph-COM/LRI}.
• Abstract（参考訳）: ポイントクラウドデータは科学分野でユビキタスである。 近年,幾何学的深層学習 (GDL) を用いて予測問題の解法が広く行われている。 しかし、GDLモデルは複雑でほとんど解釈できないことが多く、科学的な分析や実験にこれらのモデルをデプロイする際に科学者に懸念をもたらす。 本研究は,gdlバックボーンに基づく本質的に解釈可能なモデルの構築を可能にするlri(learnerable randomness injection)という一般的なメカニズムを提案する。 LRIによって誘導されるモデルは、一度訓練されると、予測ラベルを示す情報を運ぶポイントクラウドデータのポイントを検出することができる。 また、LRI機構を評価するために、高エネルギー物理と生化学の領域をカバーする実科学応用の4つのデータセットを提案する。 従来のポストホック解釈法と比較すると、LRIによって検出された点は、実際の科学的意味を持つ地上構造パターンとより良く安定している。 LRIは情報ボトルネックの原則に基づいています。 lri誘発モデルはまた、トレーニングとテストシナリオ間の分散シフトに対してより堅牢性を示す。 コードとデータセットは \url{https://github.com/Graph-COM/LRI} で公開しています。

関連論文リスト

• Interpretable Language Modeling via Induction-head Ngram Models [74.26720927767398]
  誘導ヘッドngramモデル(Induction-Gram)を提案する。 この誘導ヘッドは、カスタムのニューラル類似度メトリックを使用して、モデルの入力コンテキストを効率的に検索し、潜在的に次の単語補完を行う。 実験により,本手法はベースラインの解釈可能なモデルよりも,単語の次単語予測を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-10-31T12:33:26Z)
• ExaRanker-Open: Synthetic Explanation for IR using Open-Source LLMs [60.81649785463651]
  ExaRanker-Openを導入し、オープンソース言語モデルを適用して、説明を生成する。 以上の結果から,LLMのサイズが大きくなるにつれて,説明の組み込みが神経ランク付けを継続的に促進することが明らかとなった。
  論文  参考訳（メタデータ） (2024-02-09T11:23:14Z)
• A Generative Self-Supervised Framework using Functional Connectivity in fMRI Data [15.211387244155725]
  機能的磁気共鳴イメージング(fMRI)データから抽出した機能的接続性(FC)ネットワークを訓練したディープニューラルネットワークが人気を博している。 グラフニューラルネットワーク(GNN)のFCへの適用に関する最近の研究は、FCの時間変化特性を活用することにより、モデル予測の精度と解釈可能性を大幅に向上させることができることを示唆している。 高品質なfMRIデータとそれに対応するラベルを取得するための高コストは、実環境において彼らのアプリケーションにハードルをもたらす。 本研究では,動的FC内の時間情報を効果的に活用するためのSSL生成手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T16:14:43Z)
• Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
  本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。 我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。 実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-26T02:08:46Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• A Realism Metric for Generated LiDAR Point Clouds [2.6205925938720833]
  本稿では,LiDAR点雲のリアリズムを定量化する新しい計量法を提案する。 関連する機能は、プロキシ分類タスクのトレーニングによって、現実世界と合成ポイントクラウドから学習される。 一連の実験において、生成したLiDARデータのリアリズムを決定するためのメトリックの応用を実証し、メトリックのリアリズム推定とセグメンテーションモデルの性能を比較する。
  論文  参考訳（メタデータ） (2022-08-31T16:37:57Z)
• The Bearable Lightness of Big Data: Towards Massive Public Datasets in Scientific Machine Learning [0.0]
  損失のある圧縮アルゴリズムは、オープンソースのデータレポジトリに高忠実な科学データを公開するための現実的な経路を提供することを示す。 本稿では,ビッグデータフレームワークの構築に必要な要件を概説し,構築し,評価する。
  論文  参考訳（メタデータ） (2022-07-25T21:44:53Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• Learning to Detect Fortified Areas [0.0]
  本研究では,道路,歩道,駐車場,舗装された自動車道,テラスなどによって,ある表面のどの部分が要塞化されているのかを分類する問題を考察する。 本稿では,すべてのセンサシステムからデータを新しい共通表現に変換するニューラルネット埋め込みアーキテクチャを設計し,アルゴリズムによる解を提案する。
  論文  参考訳（メタデータ） (2021-05-26T08:03:42Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• MapLUR: Exploring a new Paradigm for Estimating Air Pollution using Deep Learning on Map Images [4.7791671364702575]
  土地利用回帰モデルは, 計測ステーションのない地域での大気汚染濃度を評価する上で重要である。 我々は,オープンかつグローバルなデータのみを用いて,純粋にデータ駆動型アプローチに基づくモデルを実現する,データ駆動型オープングローバル(DOG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-02-18T11:21:55Z)

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。