論文の概要: Improving Prediction Performance and Model Interpretability through
Attention Mechanisms from Basic and Applied Research Perspectives
- arxiv url: http://arxiv.org/abs/2303.14116v1
- Date: Fri, 24 Mar 2023 16:24:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 13:42:23.923769
- Title: Improving Prediction Performance and Model Interpretability through
Attention Mechanisms from Basic and Applied Research Perspectives
- Title（参考訳）: 基礎・応用研究から見た注意機構による予測性能とモデル解釈可能性の向上
- Authors: Shunsuke Kitada
- Abstract要約: この論文は著者の論文の要約に基づいている。
ディープラーニングモデルは、従来の機械学習モデルよりも予測性能がはるかに高い。
特定の予測プロセスの解釈や説明は依然として困難である。
- 参考スコア（独自算出の注目度）: 3.553493344868414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the dramatic advances in deep learning technology, machine learning
research is focusing on improving the interpretability of model predictions as
well as prediction performance in both basic and applied research. While deep
learning models have much higher prediction performance than traditional
machine learning models, the specific prediction process is still difficult to
interpret and/or explain. This is known as the black-boxing of machine learning
models and is recognized as a particularly important problem in a wide range of
research fields, including manufacturing, commerce, robotics, and other
industries where the use of such technology has become commonplace, as well as
the medical field, where mistakes are not tolerated. This bulletin is based on
the summary of the author's dissertation. The research summarized in the
dissertation focuses on the attention mechanism, which has been the focus of
much attention in recent years, and discusses its potential for both basic
research in terms of improving prediction performance and interpretability, and
applied research in terms of evaluating it for real-world applications using
large data sets beyond the laboratory environment. The dissertation also
concludes with a summary of the implications of these findings for subsequent
research and future prospects in the field.
- Abstract（参考訳）: ディープラーニング技術の劇的な進歩により、機械学習の研究は、モデル予測の解釈可能性の向上と、基礎研究と応用研究の両方における予測性能の向上に注力している。
ディープラーニングモデルは従来の機械学習モデルよりもはるかに高い予測性能を持つが、特定の予測プロセスは解釈や説明が難しい。
これは機械学習モデルのブラックボックス化として知られており、製造業、商業、ロボット工学などの幅広い研究分野において、そのような技術の使用が一般的になっている産業や、ミスを許容しない医療分野などにおいて、特に重要な問題として認識されている。
この論文は著者の論文の要約に基づいている。
論文の中で要約された研究は、近年注目されている注意機構に焦点をあて、予測性能と解釈可能性の向上の観点から基礎研究の可能性について論じ、実験室環境を超えて大規模なデータセットを用いて実世界の応用に応用した研究を行った。
この論文はまた、これらの発見がその後の研究や今後の分野の展望にもたらす意味をまとめて締めくくっている。
関連論文リスト
- "Forgetting" in Machine Learning and Beyond: A Survey [0.0]
この調査は、さまざまな機械学習サブフィールドにまたがる、忘れることの利点とその応用に焦点を当てる。
本稿では,機械学習モデルへの忘れるメカニズムの統合に関する現状の課題,今後の方向性,倫理的考察について論じる。
論文 参考訳（メタデータ） (2024-05-31T05:10:30Z) - Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳（メタデータ） (2024-03-27T05:10:38Z) - Deep learning models for price forecasting of financial time series: A
review of recent advancements: 2020-2022 [6.05458608266581]
ディープラーニングモデルは、価格予測タスクのための従来の統計モデルと機械学習モデルを置き換えるものだ。
このレビューは、ディープラーニングに基づく予測モデルについて深く掘り下げ、モデルアーキテクチャ、実践的応用、およびそれぞれの利点と欠点に関する情報を提示する。
この貢献には、価格予測のための複雑な構造を持つディープラーニングモデルの有効性を検討するなど、将来の研究に向けた潜在的方向性も含まれている。
論文 参考訳（メタデータ） (2023-04-21T03:46:09Z) - Statistical Foundation Behind Machine Learning and Its Impact on
Computer Vision [8.974457198386414]
本稿では、統計的学習における一様収束の原理を再考し、機械学習の基礎としてどのように機能するかを論じ、現在のディープラーニングアルゴリズムが解決している本質的な問題をよりよく理解しようと試みる。
コンピュータビジョンを機械学習の例として用いた議論は、近年の大規模データを活用して、表現学習に事前学習を行うことによる研究の傾向が、現実的に抽出可能な経験的損失と最終的に望まれるが、予測される損失との差を減らしていることを示している。
論文 参考訳（メタデータ） (2022-09-06T17:59:04Z) - Individual Explanations in Machine Learning Models: A Survey for
Practitioners [69.02688684221265]
社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。
多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。
近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
論文 参考訳（メタデータ） (2021-04-09T01:46:34Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Forethought and Hindsight in Credit Assignment [62.05690959741223]
我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。
本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
論文 参考訳（メタデータ） (2020-10-26T16:00:47Z) - Using satellite imagery to understand and promote sustainable
development [87.72561825617062]
持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。
我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。
不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
論文 参考訳（メタデータ） (2020-09-23T05:20:00Z) - Causality Learning: A New Perspective for Interpretable Machine Learning [15.556963808865918]
解釈可能な機械学習は、現在、研究コミュニティで主要なトピックです。
本稿では,基礎的背景と重要な概念を用いた因果解析の概要を述べるとともに,直近の因果解析における因果解析手法を要約する。
論文 参考訳（メタデータ） (2020-06-27T13:01:28Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z) - Introduction to Rare-Event Predictive Modeling for Inferential
Statisticians -- A Hands-On Application in the Prediction of Breakthrough
Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。
両フィールド間の潜在的な相乗効果について考察する。
我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文 参考訳（メタデータ） (2020-03-30T13:06:25Z)
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。