論文の概要: Finding Interpretable Class-Specific Patterns through Efficient Neural Search

• arxiv url: http://arxiv.org/abs/2312.04311v1
• Date: Thu, 7 Dec 2023 14:09:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-08 14:57:01.159609
• Title: Finding Interpretable Class-Specific Patterns through Efficient Neural Search
• Title（参考訳）: 効率的なニューラルサーチによる解釈可能なクラス特化パターンの探索
• Authors: Nils Philipp Walter, Jonas Fischer, Jilles Vreeken
• Abstract要約: 本稿では、データから微分パターンを抽出する、本質的に解釈可能なバイナリニューラルネットワークアーキテクチャDNAPSを提案する。 DiffNapsは何十万もの機能にスケーラブルで、ノイズに強い。 3つの生物学的応用を含む人工的および実世界のデータについて、DiffNapsは競合と異なり、常に正確で簡潔で解釈可能なクラス記述を生成する。
• 参考スコア（独自算出の注目度）: 43.454121220860564
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Discovering patterns in data that best describe the differences between classes allows to hypothesize and reason about class-specific mechanisms. In molecular biology, for example, this bears promise of advancing the understanding of cellular processes differing between tissues or diseases, which could lead to novel treatments. To be useful in practice, methods that tackle the problem of finding such differential patterns have to be readily interpretable by domain experts, and scalable to the extremely high-dimensional data. In this work, we propose a novel, inherently interpretable binary neural network architecture DIFFNAPS that extracts differential patterns from data. DiffNaps is scalable to hundreds of thousands of features and robust to noise, thus overcoming the limitations of current state-of-the-art methods in large-scale applications such as in biology. We show on synthetic and real world data, including three biological applications, that, unlike its competitors, DiffNaps consistently yields accurate, succinct, and interpretable class descriptions
• Abstract（参考訳）: クラス間の差異を最もよく記述するデータ内のパターンの発見は、クラス固有のメカニズムの仮説と推論を可能にする。 例えば分子生物学では、組織や疾患によって異なる細胞過程の理解を前進させ、新たな治療につながる可能性がある。 実際には、そのような微分パターンを見つける問題に取り組む方法は、ドメインの専門家によって容易に解釈でき、非常に高次元のデータにスケーラブルでなければならない。 本研究では,データから微分パターンを抽出する新しい,本質的に解釈可能なバイナリニューラルネットワークアーキテクチャdiffnapを提案する。 DiffNapsは何十万もの機能にスケーラブルで、ノイズに強いため、生物学のような大規模アプリケーションにおける最先端の手法の限界を克服できる。 3つの生物学的応用を含む人工的および現実世界のデータについて、DiffNapsは競合と異なり、常に正確で簡潔で解釈可能なクラス記述を生成する。

関連論文リスト

• Domain adaptation in small-scale and heterogeneous biological datasets [0.0]
  生物研究におけるドメイン適応のメリットと課題について論じる。 計算生物学者のツールキットにドメイン適応技術を導入することについて論じる。
  論文  参考訳（メタデータ） (2024-05-29T16:01:15Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• 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)
• Discriminative Attribution from Counterfactuals [64.94009515033984]
  本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。 本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-28T00:53:34Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• A More Biologically Plausible Local Learning Rule for ANNs [6.85316573653194]
  提案した学習規則は, 塑性と神経関連性に依存するスパイクタイミングの概念から導かれる。 MNISTとIRISデータセットのバイナリ分類に関する予備評価は、バックプロパゲーションと同等の性能を示す。 学習のローカルな性質は、ネットワークにおける大規模分散学習と並列学習の可能性をもたらす。
  論文  参考訳（メタデータ） (2020-11-24T10:35:47Z)

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。