論文の概要: Using explainability to design physics-aware CNNs for solving subsurface
inverse problems
- arxiv url: http://arxiv.org/abs/2211.08651v1
- Date: Wed, 16 Nov 2022 03:59:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 16:41:53.992983
- Title: Using explainability to design physics-aware CNNs for solving subsurface
inverse problems
- Title（参考訳）: 物理を意識したCNNを用いた地下逆問題の解法
- Authors: Jodie Crocker (1), Krishna Kumar (1), Brady R. Cox (2) ((1) The
University of Texas at Austin, (2) Utah State University)
- Abstract要約: 本稿では,物理を意識したニューラルネットワークの設計に説明可能性を用いた新しい手法を提案する。
我々は,浅層画像の逆問題を解決するために,畳み込みニューラルネットワーク(CNN)を開発することで,我々のアプローチを実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel method of using explainability techniques to design
physics-aware neural networks. We demonstrate our approach by developing a
convolutional neural network (CNN) for solving an inverse problem for shallow
subsurface imaging. Although CNNs have gained popularity in recent years across
many fields, the development of CNNs remains an art, as there are no clear
guidelines regarding the selection of hyperparameters that will yield the best
network. While optimization algorithms may be used to select hyperparameters
automatically, these methods focus on developing networks with high predictive
accuracy while disregarding model explainability (descriptive accuracy).
However, the field of Explainable Artificial Intelligence (XAI) addresses the
absence of model explainability by providing tools that allow developers to
evaluate the internal logic of neural networks. In this study, we use the
explainability methods Score-CAM and Deep SHAP to select hyperparameters, such
as kernel sizes and network depth, to develop a physics-aware CNN for shallow
subsurface imaging. We begin with a relatively deep Encoder-Decoder network,
which uses surface wave dispersion images as inputs and generates 2D shear wave
velocity subsurface images as outputs. Through model explanations, we
ultimately find that a shallow CNN using two convolutional layers with an
atypical kernel size of 3x1 yields comparable predictive accuracy but with
increased descriptive accuracy. We also show that explainability methods can be
used to evaluate the network's complexity and decision-making. We believe this
method can be used to develop neural networks with high predictive accuracy
while also providing inherent explainability.
- Abstract（参考訳）: 物理認識型ニューラルネットワークの設計に説明可能性を用いた新しい手法を提案する。
我々は,浅層画像の逆問題を解決するために,畳み込みニューラルネットワーク(CNN)を開発した。
CNNは近年、多くの分野で人気を集めているが、CNNの開発は依然として芸術であり、最高のネットワークを生み出すハイパーパラメータの選択に関する明確なガイドラインはない。
最適化アルゴリズムはハイパーパラメータを自動的に選択するために用いられるが、これらの手法はモデル説明可能性(記述的精度)を無視しながら予測精度の高いネットワークの開発に重点を置いている。
しかし、説明可能な人工知能(XAI)の分野は、開発者がニューラルネットワークの内部ロジックを評価するツールを提供することで、モデル説明可能性の欠如に対処している。
本研究では,カーネルサイズやネットワーク深さなどのハイパーパラメータを選択するために,スコアカムとディープシェープを用いて,浅層イメージングのための物理認識型cnnを開発した。
入力として表面波分散画像を使用し,2次元せん断波速度を出力として生成する比較的深いエンコーダ・デコーダネットワークから始める。
モデル説明により、非定型カーネルサイズ3x1の2つの畳み込み層を用いた浅層cnnは、予測精度は同等であるが記述精度は向上することがわかった。
また,ネットワークの複雑さと意思決定を評価するために,説明可能性法が利用できることを示した。
この手法は,予測精度の高いニューラルネットワークの開発に有効であると同時に,本質的な説明性も提供できると考えている。
関連論文リスト
- PiLocNet: Physics-informed neural network on 3D localization with rotating point spread function [3.029152208453665]
これまでに導入したローカライゼーションニューラルネットワークであるLocNetの新たな拡張を提案する。
改良されたネットワークは、我々がPiLocNetと呼ぶ物理インフォームドニューラルネットワーク(PINN)である。
本論文は3次元ソース位置のエンコードにシングルローブ回転型PSFを用いることに焦点を当てるが,他のPSFや画像問題にも広く適用できると期待している。
論文 参考訳（メタデータ） (2024-10-17T07:49:23Z) - GINN-KAN: Interpretability pipelining with applications in Physics Informed Neural Networks [5.2969467015867915]
本稿では,解釈可能性パイプラインの概念を導入し,複数の解釈可能性技術を導入し,各手法の精度を向上する。
我々は、標準的なニューラルネットワークアーキテクチャに解釈可能性を導入する可能性のために選択された2つの最近のモデルを評価する。
両モデルの利点を合成する新しい解釈可能なニューラルネットワークGINN-KANを提案する。
論文 参考訳（メタデータ） (2024-08-27T04:57:53Z) - CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。
Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文 参考訳（メタデータ） (2024-04-23T08:19:08Z) - 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) - Parameter Convex Neural Networks [13.42851919291587]
本研究では,ある条件下でのニューラルネットワークのパラメータに関して凸である指数的多層ニューラルネットワーク(EMLP)を提案する。
後期実験では,指数グラフ畳み込みネットワーク(EGCN)を同じアーキテクチャで構築し,グラフ分類データセット上で実験を行う。
論文 参考訳（メタデータ） (2022-06-11T16:44:59Z) - Bayesian Convolutional Neural Networks for Limited Data Hyperspectral
Remote Sensing Image Classification [14.464344312441582]
我々は、HSRS画像の分類に、ベイズニューラルネットワークと呼ばれる、ディープニューラルネットワークの特別なクラスを使用します。
ベイズニューラルネットワークは、不確実性を測定するための固有のツールを提供する。
ベイジアンネットワークは、同様に構築された非ベイジアン畳み込みニューラルネットワーク(CNN)と、既成のランダムフォレスト(RF)より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-19T00:02:16Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded
Systems [0.0]
畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。
本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
論文 参考訳（メタデータ） (2021-12-01T18:20:52Z) - Spiking Neural Networks -- Part II: Detecting Spatio-Temporal Patterns [38.518936229794214]
スパイキングニューラルネットワーク(SNN)は、符号化された時間信号で情報を検出するユニークな能力を持つ。
SNNをリカレントニューラルネットワーク(RNN)とみなす支配的アプローチのためのモデルとトレーニングアルゴリズムについてレビューする。
スパイキングニューロンの確率モデルに頼り、勾配推定による局所学習規則の導出を可能にする別のアプローチについて述べる。
論文 参考訳（メタデータ） (2020-10-27T11:47:42Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - 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。