論文の概要: Exploring specialization and sensitivity of convolutional neural networks in the context of simultaneous image augmentations

• arxiv url: http://arxiv.org/abs/2503.03283v1
• Date: Wed, 05 Mar 2025 09:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:53:53.215241
• Title: Exploring specialization and sensitivity of convolutional neural networks in the context of simultaneous image augmentations
• Title（参考訳）: 同時画像強調における畳み込みニューラルネットワークの特殊化と感度の探索
• Authors: Pavel Kharyuk, Sergey Matveev, Ivan Oseledets,
• Abstract要約: 本稿では,入力データ拡張による内部推測について検討する枠組みを提案する。 ネットワーク動作の内部的変化は、ばらつきによって測定された活性化変化に反映される。 開発フレームワークは、複雑な環境での生物学的ニューラルネットワークの研究に移行できる可能性があると仮定する。
• 参考スコア（独自算出の注目度）: 3.868222899558346
• License:
• Abstract: Drawing parallels with the way biological networks are studied, we adapt the treatment--control paradigm to explainable artificial intelligence research and enrich it through multi-parametric input alterations. In this study, we propose a framework for investigating the internal inference impacted by input data augmentations. The internal changes in network operation are reflected in activation changes measured by variance, which can be decomposed into components related to each augmentation, employing Sobol indices and Shapley values. These quantities enable one to visualize sensitivity to different variables and use them for guided masking of activations. In addition, we introduce a way of single-class sensitivity analysis where the candidates are filtered according to their matching to prediction bias generated by targeted damaging of the activations. Relying on the observed parallels, we assume that the developed framework can potentially be transferred to studying biological neural networks in complex environments.
• Abstract（参考訳）: 生物学的ネットワークの研究方法と平行して、我々は、処理制御パラダイムを説明可能な人工知能研究に適用し、マルチパラメトリック入力変更によってそれを強化する。 本研究では,入力データ拡張による内部推測の影響を調査するための枠組みを提案する。 ネットワーク操作の内部的変化は、分散によって測定された活性化変化に反映され、ソボル指数とシェープリー値を用いて、各拡張に関連する成分に分解することができる。 これらの量により、異なる変数に対する感度を可視化し、活性化の誘導マスキングに使用することができる。 さらに,各候補が一致に応じてフィルタリングされるような単一クラス感度分析手法を導入し,アクティベーションの標的損傷によって生じる予測バイアスについて検討する。 観測された並列性に基づいて、このフレームワークは複雑な環境下での生物学的ニューラルネットワークの研究に移行できる可能性があると仮定する。

関連論文リスト

• Discovering Chunks in Neural Embeddings for Interpretability [53.80157905839065]
  本稿では, チャンキングの原理を応用して, 人工神経集団活動の解釈を提案する。 まず、この概念を正則性を持つ人工シーケンスを訓練したリカレントニューラルネットワーク(RNN)で実証する。 我々は、これらの状態に対する摂動が関連する概念を活性化または阻害すると共に、入力における概念に対応する同様の繰り返し埋め込み状態を特定する。
  論文  参考訳（メタデータ） (2025-02-03T20:30:46Z)
• Toward Relative Positional Encoding in Spiking Transformers [52.62008099390541]
  スパイキングニューラルネットワーク(スパイキングニューラルネット、英: Spiking Neural Network、SNN)は、脳内のニューロンが離散スパイクを通してどのように通信するかをモデル化するバイオインスパイアネットワークである。 本稿では,スパイキング変換器における相対位置符号化(RPE)の近似手法を提案する。
  論文  参考訳（メタデータ） (2025-01-28T06:42:37Z)
• Heterogeneous quantization regularizes spiking neural network activity [0.0]
  本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。 我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
  論文  参考訳（メタデータ） (2024-09-27T02:25:44Z)
• Understanding Forward Process of Convolutional Neural Network [0.0]
  本稿では,CNNの前方処理における選択的回転について述べる。 これは、入力データの回転面を統一し定量化する識別機構として活性化関数を解明する。
  論文  参考訳（メタデータ） (2023-07-27T00:37:18Z)
• Unsupervised Learning of Invariance Transformations [105.54048699217668]
  近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。 重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
  論文  参考訳（メタデータ） (2023-07-24T17:03:28Z)
• Decomposing neural networks as mappings of correlation functions [57.52754806616669]
  本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。 ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
  論文  参考訳（メタデータ） (2022-02-10T09:30:31Z)
• 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)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Complexity for deep neural networks and other characteristics of deep feature representations [0.0]
  ニューラルネットワークの計算の非線形性を定量化する複雑性の概念を定義する。 トレーニング対象ネットワークとトレーニング対象ネットワークの動的特性の両面から,これらのオブザーバブルについて検討する。
  論文  参考訳（メタデータ） (2020-06-08T17:59:30Z)
• Investigating the Compositional Structure Of Deep Neural Networks [1.8899300124593645]
  本稿では,一方向線形活性化関数の構成構造に基づく新しい理論的枠組みを提案する。 予測ラベルと予測に使用する特定の(線形)変換の両方に関して、入力データのインスタンスを特徴付けることができる。 MNISTデータセットの予備テストでは、ニューラルネットワークの内部表現における類似性に関して、入力インスタンスをグループ化することが可能である。
  論文  参考訳（メタデータ） (2020-02-17T14:16:17Z)

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。