Fugu-MT 論文翻訳(概要): Efficient Computation of Shap Explanation Scores for Neural Network Classifiers via Knowledge Compilation

論文の概要: Efficient Computation of Shap Explanation Scores for Neural Network Classifiers via Knowledge Compilation

arxiv url: http://arxiv.org/abs/2303.06516v3
Date: Sun, 23 Jul 2023 01:21:47 GMT
ステータス: 処理完了
システム内更新日: 2023-07-25 23:40:41.680187
Title: Efficient Computation of Shap Explanation Scores for Neural Network Classifiers via Knowledge Compilation
Title（参考訳）: 知識コンパイルによるニューラルネットワーク分類器のシャップ説明スコアの効率的な計算
Authors: Leopoldo Bertossi and Jorge E. Leon
Abstract要約: 効率的なシャップ計算のために、バイナリニューラルネットワークをこれらの回路に変換する方法を示す。実験の結果からわかるように、パフォーマンスの向上は大きいです。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The use of Shap scores has become widespread in Explainable AI. However, their computation is in general intractable, in particular when done with a black-box classifier, such as neural network. Recent research has unveiled classes of open-box Boolean Circuit classifiers for which Shap can be computed efficiently. We show how to transform binary neural networks into those circuits for efficient Shap computation.We use logic-based knowledge compilation techniques. The performance gain is huge, as we show in the light of our experiments.
Abstract（参考訳）: Shapスコアの使用は、Explainable AIで広く使われている。しかし、特にニューラルネットワークのようなブラックボックスの分類器で処理された場合、計算は一般には難解である。最近の研究では、Shapを効率的に計算できるオープンボックスブール回路分類器のクラスが明らかにされている。効率的なシェープ計算のために,二進ニューラルネットワークをそれらの回路に変換する方法を示し,論理に基づく知識コンパイル手法を用いる。私たちの実験で示しているように、パフォーマンスの向上は巨大です。

関連論文リスト

Conditional Information Gain Trellis [1.290382979353427]
条件計算は、ニューラルネットワークの計算ユニットの一部のみを使用して入力を処理する。深層畳み込みニューラルネットワークにおける特定の実行パスを生成するために,トレリスに基づくアプローチを用いる。条件付き実行機構は,非条件付きベースラインと比較して,同等あるいは優れたモデル性能が得られることを示す。
論文参考訳（メタデータ） (2024-02-13T10:23:45Z)
Towards Efficient Verification of Quantized Neural Networks [9.352320240912109]
量子化は、深層ニューラルネットワークモデルにおける浮動小数点演算を整数演算に置き換える。本研究では,勾配に基づく探索手法と有界伝播手法を用いて,効率を向上できることを示す。
論文参考訳（メタデータ） (2023-12-20T00:43:13Z)
SparseProp: Efficient Sparse Backpropagation for Faster Training of Neural Networks [20.18957052535565]
トレーニング中のニューラルネットワークの重みが不足している場合に特化して、バックプロパゲーションアルゴリズムの新たな効率的なバージョンを提供する。我々のアルゴリズムは、任意の(非構造的な)スパーシリティと共通層タイプに適用されるため、一般的なものである。我々は、すでに分離されたネットワークを用いたトランスファーラーニングや、スパースネットワークをスクラッチからトレーニングすることで、エンドツーエンドのランタイム実験で高速化できることを示す。
論文参考訳（メタデータ） (2023-02-09T18:54:05Z)
Neural networks trained with SGD learn distributions of increasing complexity [78.30235086565388]
勾配降下法を用いてトレーニングされたニューラルネットワークは、まず低次入力統計を用いて入力を分類する。その後、トレーニング中にのみ高次の統計を利用する。本稿では,DSBと他の単純度バイアスとの関係について論じ,学習における普遍性の原理にその意味を考察する。
論文参考訳（メタデータ） (2022-11-21T15:27:22Z)
Variable Bitrate Neural Fields [75.24672452527795]
本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
論文参考訳（メタデータ） (2022-06-15T17:58:34Z)
The Connection Between Approximation, Depth Separation and Learnability in Neural Networks [70.55686685872008]
学習可能性と近似能力の関係について検討する。対象関数の深いネットワークでの学習性は、より単純なクラスがターゲットを近似する能力に依存することを示す。
論文参考訳（メタデータ） (2021-01-31T11:32:30Z)
Distillation of Weighted Automata from Recurrent Neural Networks using a Spectral Approach [0.0]
本稿では,ディープラーニングと文法推論のギャップを埋める試みである。言語モデリングのためにトレーニングされたリカレントニューラルネットワークからフォーマルな言語を抽出するアルゴリズムを提供する。
論文参考訳（メタデータ） (2020-09-28T07:04:15Z)
Generalized Leverage Score Sampling for Neural Networks [82.95180314408205]
レバレッジスコアサンプリング(英: Leverage score sample)は、理論計算機科学に由来する強力な技術である。本研究では、[Avron, Kapralov, Musco, Musco, Musco, Velingker, Zandieh 17] の結果をより広範なカーネルのクラスに一般化する。
論文参考訳（メタデータ） (2020-09-21T14:46:01Z)
Reservoir Memory Machines as Neural Computers [70.5993855765376]
微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
論文参考訳（メタデータ） (2020-09-14T12:01:30Z)
Adaptive Explainable Neural Networks (AxNNs) [8.949704905866888]
我々は、予測性能とモデル解釈可能性の両目標を達成するために、Adaptive Explainable Neural Networks (AxNN) と呼ばれる新しいフレームワークを開発した。予測性能向上のために,一般化された付加的モデルネットワークと付加的インデックスモデルからなる構造化ニューラルネットワークを構築した。本稿では,AxNNの結果を主効果と高次相互作用効果に分解する方法を示す。
論文参考訳（メタデータ） (2020-04-05T23:40:57Z)
Computational optimization of convolutional neural networks using separated filters architecture [69.73393478582027]
我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
論文参考訳（メタデータ） (2020-02-18T17:42:13Z)

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。