論文の概要: LEURN: Learning Explainable Univariate Rules with Neural Networks

• arxiv url: http://arxiv.org/abs/2303.14937v1
• Date: Mon, 27 Mar 2023 06:34:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 16:45:38.360314
• Title: LEURN: Learning Explainable Univariate Rules with Neural Networks
• Title（参考訳）: LEURN:ニューラルネットワークによる説明可能な一様ルールの学習
• Authors: Caglar Aytekin
• Abstract要約: LEURNは、一変量決定ルールを学ぶニューラルネットワークアーキテクチャである。 LEURNは、分類と回帰問題のための30のデータセットにわたる最先端のメソッドに匹敵するパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we propose LEURN: a neural network architecture that learns univariate decision rules. LEURN is a white-box algorithm that results into univariate trees and makes explainable decisions in every stage. In each layer, LEURN finds a set of univariate rules based on an embedding of the previously checked rules and their corresponding responses. Both rule finding and final decision mechanisms are weighted linear combinations of these embeddings, hence contribution of all rules are clearly formulated and explainable. LEURN can select features, extract feature importance, provide semantic similarity between a pair of samples, be used in a generative manner and can give a confidence score. Thanks to a smoothness parameter, LEURN can also controllably behave like decision trees or vanilla neural networks. Besides these advantages, LEURN achieves comparable performance to state-of-the-art methods across 30 tabular datasets for classification and regression problems.
• Abstract（参考訳）: 本稿では,一変量決定規則を学習するニューラルネットワークアーキテクチャであるLEURNを提案する。 LEURNはホワイトボックスアルゴリズムであり、一変量木となり、各段階で説明可能な決定を行う。 各レイヤにおいて、LEURNは、以前にチェックされたルールと対応するレスポンスの埋め込みに基づいて、一変量ルールのセットを見つける。 ルール発見と最終決定機構はどちらもこれらの埋め込みの重み付けされた線形結合であるため、全てのルールの寄与は明確に定式化され、説明可能である。 LEURNは、特徴を選択し、重要な特徴を抽出し、一対のサンプル間のセマンティックな類似性を提供し、生成的に使用し、信頼スコアを与えることができる。 滑らかさパラメータのおかげで、LEURNは決定木やバニラニューラルネットワークのように制御できる。 これらの利点に加えて、LEURNは分類と回帰問題のための30のグラフデータセットにわたる最先端の手法に匹敵するパフォーマンスを達成する。

関連論文リスト

• Unveiling Options with Neural Decomposition [11.975013522386538]
  強化学習では、エージェントは特定のタスクに対するポリシーを学ぶが、その知識を関連するタスクに一般化することができない。 本稿では、マルコフ決定プロセスのポリシーを復号化することで、この制限に対処するアルゴリズムを提案する。 それぞれのサブポリティシを、さまざまなイテレーションのタイムループでラップすることで、オプションにします。
  論文  参考訳（メタデータ） (2024-10-15T04:36:44Z)
• LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
  本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。 本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:05:21Z)
• Permutation Equivariant Neural Functionals [92.0667671999604]
  この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。 隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。 実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T18:52:38Z)
• Neural-based classification rule learning for sequential data [0.0]
  本稿では,ルールに基づく二項分類のための局所パターンとグローバルパターンの両方を識別する,新しい可微分完全解釈法を提案する。 解釈可能なニューラルネットワークを備えた畳み込みバイナリニューラルネットワークと、動的に強化された間隔に基づくトレーニング戦略で構成されている。 合成データセットおよびオープンソースペプチドデータセットに対するアプローチの有効性と有用性を示す。
  論文  参考訳（メタデータ） (2023-02-22T11:05:05Z)
• Towards Rigorous Understanding of Neural Networks via Semantics-preserving Transformations [0.0]
  本稿では,Rectifier Neural Networksの正確かつグローバルな検証と説明に対するアプローチを提案する。 我々のアプローチの鍵は、意味論的に等価なTyped Affine Decision Structureの構築を可能にする、これらのネットワークのシンボリック実行である。
  論文  参考訳（メタデータ） (2023-01-19T11:35:07Z)
• Machine Learning with Probabilistic Law Discovery: A Concise Introduction [77.34726150561087]
  Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。 PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。 本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
  論文  参考訳（メタデータ） (2022-12-22T17:40:13Z)
• UNFIS: A Novel Neuro-Fuzzy Inference System with Unstructured Fuzzy Rules for Classification [1.0660480034605238]
  本稿では,分類応用のための神経ファジィ推論システムを提案する。 各ファジィルールを構成するために、異なる入力変数のセットを選択することができる。 構造のないファジィからなる同義的な構造で、より良く、または非常に近い性能を持つ。
  論文  参考訳（メタデータ） (2022-10-28T17:51:50Z)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)
• Learning Accurate and Interpretable Decision Rule Sets from Neural Networks [5.280792199222362]
  本論文では,分類の解釈可能なモデルとして独立論理則の集合を解読正規形式で学習する新しいパラダイムを提案する。 我々は、ニューラルネットワークを特定の、しかし非常に単純な2層アーキテクチャでトレーニングすることとして、解釈可能な決定ルールセットを学ぶ問題を考える。
  論文  参考訳（メタデータ） (2021-03-04T04:10:19Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
  本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。 NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。 NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
  論文  参考訳（メタデータ） (2020-12-09T13:02:44Z)

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。