論文の概要: Feature Gradient Flow for Interpreting Deep Neural Networks in Head and Neck Cancer Prediction

• arxiv url: http://arxiv.org/abs/2307.13061v1
• Date: Mon, 24 Jul 2023 18:25:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 19:13:51.518384
• Title: Feature Gradient Flow for Interpreting Deep Neural Networks in Head and Neck Cancer Prediction
• Title（参考訳）: 頭頸部癌予測におけるディープニューラルネットワーク解釈のための特徴勾配フロー
• Authors: Yinzhu Jin, Jonathan C. Garneau, P. Thomas Fletcher
• Abstract要約: 本稿では,人間に理解可能な機能の観点から,ディープラーニングモデルを解釈する新しい手法である特徴勾配流を提案する。 モデルの勾配流と解釈可能な特徴の一致を測定する。 我々は、損失関数に正規化項を追加することにより、ニューラルネットワークをより解釈できるようにトレーニングする技術を開発した。
• 参考スコア（独自算出の注目度）: 2.9477900773805032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces feature gradient flow, a new technique for interpreting deep learning models in terms of features that are understandable to humans. The gradient flow of a model locally defines nonlinear coordinates in the input data space representing the information the model is using to make its decisions. Our idea is to measure the agreement of interpretable features with the gradient flow of a model. To then evaluate the importance of a particular feature to the model, we compare that feature's gradient flow measure versus that of a baseline noise feature. We then develop a technique for training neural networks to be more interpretable by adding a regularization term to the loss function that encourages the model gradients to align with those of chosen interpretable features. We test our method in a convolutional neural network prediction of distant metastasis of head and neck cancer from a computed tomography dataset from the Cancer Imaging Archive.
• Abstract（参考訳）: 本稿では,人間に理解できる特徴の観点でディープラーニングモデルを解釈する新しい手法である特徴勾配フローについて述べる。 モデルの勾配流れは、モデルが決定に使用する情報を表す入力データ空間内の非線形座標を局所的に定義する。 我々のアイデアは、モデルの勾配流れと解釈可能な特徴の一致を測定することである。 次に,モデルに対する特定の特徴の重要性を評価するために,その特徴の勾配流量測定値とベースラインノイズ特徴量を比較した。 次に、モデル勾配を選択可能な特徴量に合わせるように促す損失関数に正規化項を追加することにより、より解釈しやすいニューラルネットワークを訓練する手法を開発した。 我々は,頭頸部癌遠位転移の畳み込みニューラルネットワーク予測において,癌画像アーカイブのCTデータセットを用いて本手法を検証した。

関連論文リスト

• Measuring Feature Dependency of Neural Networks by Collapsing Feature Dimensions in the Data Manifold [18.64569268049846]
  ニューラルネットワークモデルの特徴依存性を測定するための新しい手法を提案する。 その動機は、人間が理解可能な機能から情報を使っているかどうかを問うことによって、モデルをよりよく理解することにある。 本手法は,合成画像データに基づいて学習した深層ニューラルネットワークモデルを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-04-18T17:10:18Z)
• Rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model [7.600902237804825]
  マルチスケール畳み込みニューラルネットワークモデルに基づく転がり軸受故障診断手法を提案する。 ResNet法と比較して,提案手法はより優れた一般化性能と反雑音性能を有することを示す。
  論文  参考訳（メタデータ） (2024-03-21T06:42:35Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Deep Manifold Learning with Graph Mining [80.84145791017968]
  グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。 提案モデルでは,現行モデルと比較して最先端性能を実現している。
  論文  参考訳（メタデータ） (2022-07-18T04:34:08Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Using a novel fractional-order gradient method for CNN back-propagation [1.6679382332181059]
  研究者たちは、新しいディープラーニングモデルを提案し、それを新型コロナウイルスの診断に適用する。 モデルは分数計算のツールを使用し、勾配法の性能を向上させる可能性がある。
  論文  参考訳（メタデータ） (2022-05-01T23:38:06Z)
• 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)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Sampling and Recovery of Graph Signals based on Graph Neural Networks [44.76396026242879]
  本稿では,グラフ信号のサンプリングとリカバリのための解釈可能なグラフニューラルネットワークを提案する。 提案手法は,ニューラルネットワークの学習能力を活用して,データから様々なグラフ信号モデルを柔軟に学習することができる。 実験では,提案したグラフニューラルサンプリングおよびリカバリモジュールの効果を概説し,各モジュールが様々なグラフ構造やグラフ信号に柔軟に適応できることを見出した。
  論文  参考訳（メタデータ） (2020-11-03T01:45:41Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)

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。