論文の概要: A New Interpretable Neural Network-Based Rule Model for Healthcare Decision Making

• arxiv url: http://arxiv.org/abs/2309.11101v1
• Date: Wed, 20 Sep 2023 07:15:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 13:08:28.900911
• Title: A New Interpretable Neural Network-Based Rule Model for Healthcare Decision Making
• Title（参考訳）: 医療意思決定のためのニューラルネットワークに基づく新しい解釈型ルールモデル
• Authors: Adrien Benamira, Tristan Guerand, Thomas Peyrin
• Abstract要約: 本研究では,ルールベースモデルのグローバルかつ正確な解釈可能性特性と,ディープニューラルネットワークの性能を組み合わせたニューラルネットワークフレームワークである$textitTruth Table Rule$(TT-rules)を紹介する。 TT-rulesは、当初は正式な検証のために開発されたディープニューラルネットワークのファミリであるtextitTruth Table nets$ (TTnet)上に構築されている。
• 参考スコア（独自算出の注目度）: 5.666761232081187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In healthcare applications, understanding how machine/deep learning models make decisions is crucial. In this study, we introduce a neural network framework, $\textit{Truth Table rules}$ (TT-rules), that combines the global and exact interpretability properties of rule-based models with the high performance of deep neural networks. TT-rules is built upon $\textit{Truth Table nets}$ (TTnet), a family of deep neural networks initially developed for formal verification. By extracting the necessary and sufficient rules $\mathcal{R}$ from the trained TTnet model (global interpretability) to yield the same output as the TTnet (exact interpretability), TT-rules effectively transforms the neural network into a rule-based model. This rule-based model supports binary classification, multi-label classification, and regression tasks for small to large tabular datasets. After outlining the framework, we evaluate TT-rules' performance on healthcare applications and compare it to state-of-the-art rule-based methods. Our results demonstrate that TT-rules achieves equal or higher performance compared to other interpretable methods. Notably, TT-rules presents the first accurate rule-based model capable of fitting large tabular datasets, including two real-life DNA datasets with over 20K features.
• Abstract（参考訳）: 医療アプリケーションでは、機械学習やディープラーニングモデルの意思決定方法を理解することが重要です。 本研究では,ルールベースモデルのグローバルかつ正確な解釈可能性特性と,ディープニューラルネットワークの性能を組み合わせたニューラルネットワークフレームワークである$\textit{Truth Table Rule}$(TT-rules)を導入する。 TT-rulesは、当初は正式な検証のために開発されたディープニューラルネットワークのファミリである$\textit{Truth Table nets}$ (TTnet)上に構築されている。 訓練されたttnetモデル(グローバル解釈可能性)から必要かつ十分なルール$\mathcal{r}$を抽出し、ttnet (exact interpretability) と同じ出力を得ることにより、tt-rulesはニューラルネットワークをルールベースのモデルに効果的に変換する。 このルールベースのモデルは、小規模から大規模の表型データセットのバイナリ分類、マルチラベル分類、回帰タスクをサポートする。 フレームワークの概要を説明した後、医療アプリケーションにおけるtt-rulesのパフォーマンスを評価し、最先端のルールベースの手法と比較する。 その結果,TT-rules は他の解釈可能な手法と比較して同等か高い性能を達成できた。 特にTT-rulesは、20K以上の特徴を持つ2つの実際のDNAデータセットを含む、大きな表形式のデータセットを適合させることのできる、最初の正確なルールベースのモデルを示している。

関連論文リスト

• Neural Network-Based Rule Models With Truth Tables [5.187307904567701]
  本稿では,ルールベースモデルの大域的かつ正確な解釈可能性特性と,ディープニューラルネットワークの性能を組み合わせたニューラルネットワークフレームワークを提案する。 提案したフレームワークは、$textitTruth Table Rules$ (TT-rules)と呼ばれ、$textitTruth Table nets$ (TTnets)の上に構築されています。
  論文  参考訳（メタデータ） (2023-09-18T10:13:59Z)
• Neuro-symbolic Rule Learning in Real-world Classification Tasks [75.0907310059298]
  pix2ruleのニューラルDNFモジュールを拡張し、実世界のマルチクラスおよびマルチラベル分類タスクにおけるルール学習をサポートする。 多クラス分類において相互排他性を強制するニューラルDNF-EO(Exactly One)と呼ばれる新しい拡張モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-29T13:27:14Z)
• Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
  本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。 組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
  論文  参考訳（メタデータ） (2022-08-08T03:13:24Z)
• Exploiting Low-Rank Tensor-Train Deep Neural Networks Based on Riemannian Gradient Descent With Illustrations of Speech Processing [74.31472195046099]
  我々は、低ランクテンソルトレイン深層ニューラルネットワーク(TT-DNN)を用いて、エンドツーエンドのディープラーニングパイプライン、すなわちLR-TT-DNNを構築する。 LR-TT-DNNと畳み込みニューラルネットワーク(CNN)を組み合わせたハイブリッドモデルを構築し、性能を向上する。 我々の実証的な証拠は、モデルパラメータが少ないLR-TT-DNNとCNN+(LR-TT-DNN)モデルが、TT-DNNとCNN+(LR-TT-DNN)モデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-03-11T15:55:34Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Integrating Regular Expressions with Neural Networks via DFA [40.09868407372605]
  より優れたパフォーマンスを実現するハイブリッドモデルを構築するためには、ルール知識をニューラルネットワークに統合することが非常に重要です。 具体的には、人間設計規則は正規表現(res)として定式化される。 本稿では、MDFAを中間モデルとして用いて、一致したREパターンを各入力文のルールベースの特徴として捉えることを提案する。
  論文  参考訳（メタデータ） (2021-09-07T05:48:51Z)
• 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)
• Learning Reasoning Strategies in End-to-End Differentiable Proving [50.9791149533921]
  条件付き定理プローバーは勾配に基づく最適化により最適規則選択戦略を学習する。 条件付き定理プローサは拡張性があり、CLUTRRデータセット上で最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-13T16:22:14Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。