論文の概要: Utilizing Mutations to Evaluate Interpretability of Neural Networks on Genomic Data

• arxiv url: http://arxiv.org/abs/2212.06151v1
• Date: Mon, 12 Dec 2022 07:12:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 14:11:13.756811
• Title: Utilizing Mutations to Evaluate Interpretability of Neural Networks on Genomic Data
• Title（参考訳）: 変異を利用したゲノムデータを用いたニューラルネットワークの解釈可能性評価
• Authors: Utku Ozbulak, Solha Kang, Jasper Zuallaert, Stephen Depuydt, Joris Vankerschaver
• Abstract要約: 本稿では,シーケンスベースのタスクに対する最も忠実な帰属法を特定するための計算手法を提案する。 階層的関連性伝播は翻訳開始に最も適した方法である。
• 参考スコア（独自算出の注目度）: 0.5949779668853555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Even though deep neural networks (DNNs) achieve state-of-the-art results for a number of problems involving genomic data, getting DNNs to explain their decision-making process has been a major challenge due to their black-box nature. One way to get DNNs to explain their reasoning for prediction is via attribution methods which are assumed to highlight the parts of the input that contribute to the prediction the most. Given the existence of numerous attribution methods and a lack of quantitative results on the fidelity of those methods, selection of an attribution method for sequence-based tasks has been mostly done qualitatively. In this work, we take a step towards identifying the most faithful attribution method by proposing a computational approach that utilizes point mutations. Providing quantitative results on seven popular attribution methods, we find Layerwise Relevance Propagation (LRP) to be the most appropriate one for translation initiation, with LRP identifying two important biological features for translation: the integrity of Kozak sequence as well as the detrimental effects of premature stop codons.
• Abstract（参考訳）: 深層ニューラルネットワーク(DNN)はゲノムデータに関わる多くの問題に対して最先端の結果を達成しているが、DNNに意思決定プロセスを説明することは、ブラックボックスの性質のために大きな課題となっている。 DNNに予測の推論を説明する1つの方法は、最も予測に寄与する入力の部分を強調すると仮定される帰属法である。 多くの帰属法の存在とそれらの方法の忠実度に関する定量的な結果の欠如を踏まえ、列ベースタスクに対する帰属法の選択は質的に行われている。 本研究では,点突然変異を利用した計算手法を提案することにより,最も忠実な帰属法を特定するための一歩を踏み出した。 7つの一般的な帰属法について定量的な結果が得られ,LRPは翻訳開始に最も適しており,LRPは翻訳の2つの重要な生物学的特徴であるコザック配列の整合性および早期停止コドンの有害な影響を同定している。

関連論文リスト

• SEF: A Method for Computing Prediction Intervals by Shifting the Error Function in Neural Networks [0.0]
  本稿では,このカテゴリに属する新しい手法としてSEF(Shifting the Error Function)法を提案する。 提案手法では,1つのニューラルネットワークを3回トレーニングすることで,与えられた問題に対して対応する上境界と下限とを推定する。 この革新的なプロセスは、PIを効果的に生成し、不確実性定量化のための堅牢で効率的な技術をもたらす。
  論文  参考訳（メタデータ） (2024-09-08T19:46:45Z)
• An Order-Invariant and Interpretable Hierarchical Dilated Convolution Neural Network for Chemical Fault Detection and Diagnosis [7.226239130399725]
  畳み込みニューラルネットワーク(CNN)は、化学故障検出および診断タスクにおける多くの成功例を持つ、人気のあるディープラーニングアルゴリズムである。 本稿では,命令不変かつ解釈可能な階層型畳み込みニューラルネットワーク(HDLCNN)を提案する。 提案手法は,特徴量の定量化のためのSHAP値を含むことにより,解釈可能性を提供する。
  論文  参考訳（メタデータ） (2023-02-13T10:28:41Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Efficient Bayes Inference in Neural Networks through Adaptive Importance Sampling [19.518237361775533]
  BNNでは、トレーニング段階で、未知の重みとバイアスパラメータの完全な後部分布が生成される。 この機能は、数え切れないほどの機械学習アプリケーションに役立ちます。 医療医療や自動運転など、意思決定に重大な影響を及ぼす分野において特に魅力的である。
  論文  参考訳（メタデータ） (2022-10-03T14:59:23Z)
• Tackling covariate shift with node-based Bayesian neural networks [26.64657196802115]
  ノードベースのBNNは、各隠れノードに潜在確率変数を乗じ、重みの点推定を学習することで不確実性を誘導する。 本稿では、これらの潜伏雑音変数を、訓練中の単純およびドメインに依存しないデータ摂動の暗黙的表現として解釈する。
  論文  参考訳（メタデータ） (2022-06-06T08:56:19Z)
• Deep neural networks with controlled variable selection for the identification of putative causal genetic variants [0.43012765978447565]
  本稿では,遺伝的研究のための可変選択を制御した,アンサンブルを用いた解釈可能なニューラルネットワークモデルを提案する。 本手法の利点は,(1)遺伝的変異の非線形効果を柔軟にモデル化し,統計力を向上させること,(2)誤発見率を厳格に制御するために入力層内の複数のノックオフ,(3)重みパラメータやアクティベーションの数を大幅に減らし,計算効率を向上させること,を含む。
  論文  参考訳（メタデータ） (2021-09-29T20:57:48Z)
• Multivariate Deep Evidential Regression [77.34726150561087]
  不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。 本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-13T12:20:18Z)
• And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
  ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。 そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。 MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-15T08:19:05Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Where Should We Begin? A Low-Level Exploration of Weight Initialization Impact on Quantized Behaviour of Deep Neural Networks [93.4221402881609]
  異なる重みの初期化が重みの最終的な分布と異なるCNNアーキテクチャの活性化に与える影響について、詳細なアブレーション研究を行う。 我々の知る限りでは、ウェイトの初期化とその量子化行動に対する影響について、そのような低レベルで詳細な定量分析を行うのは、私たちは初めてである。
  論文  参考訳（メタデータ） (2020-11-30T06:54:28Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。