論文の概要: GENEOnet: Statistical analysis supporting explainability and trustworthiness

• arxiv url: http://arxiv.org/abs/2503.09199v1
• Date: Wed, 12 Mar 2025 09:43:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:34.669464
• Title: GENEOnet: Statistical analysis supporting explainability and trustworthiness
• Title（参考訳）: genEOnet: 説明可能性と信頼性を支える統計的分析
• Authors: Giovanni Bocchi, Patrizio Frosini, Alessandra Micheletti, Alessandro Pedretti, Carmen Gratteri, Filippo Lunghini, Andrea Rosario Beccari, Carmine Talarico,
• Abstract要約: Group Equivariant Non-Expansive Operators (GENEOs) は、機械学習と人工知能のためのネットワークを構築する数学的ツールとして登場した。 近年の知見は,eXplainable Artificial Intelligence (XAI) の領域内にそのようなモデルが挿入可能であることを示唆している。
• 参考スコア（独自算出の注目度）: 67.410870290301
• License:
• Abstract: Group Equivariant Non-Expansive Operators (GENEOs) have emerged as mathematical tools for constructing networks for Machine Learning and Artificial Intelligence. Recent findings suggest that such models can be inserted within the domain of eXplainable Artificial Intelligence (XAI) due to their inherent interpretability. In this study, we aim to verify this claim with respect to GENEOnet, a GENEO network developed for an application in computational biochemistry by employing various statistical analyses and experiments. Such experiments first allow us to perform a sensitivity analysis on GENEOnet's parameters to test their significance. Subsequently, we show that GENEOnet exhibits a significantly higher proportion of equivariance compared to other methods. Lastly, we demonstrate that GENEOnet is on average robust to perturbations arising from molecular dynamics. These results collectively serve as proof of the explainability, trustworthiness, and robustness of GENEOnet and confirm the beneficial use of GENEOs in the context of Trustworthy Artificial Intelligence.
• Abstract（参考訳）: Group Equivariant Non-Expansive Operators (GENEOs) は、機械学習と人工知能のためのネットワークを構築する数学的ツールとして登場した。 近年の知見は,eXplainable Artificial Intelligence (XAI) の領域内にそのようなモデルが挿入可能であることを示唆している。 本研究では, 計算生化学への応用のために開発されたgenEOネットワークであるgenEOnetについて, 様々な統計的解析と実験を用いて, この主張を検証することを目的とする。 このような実験により、まず GENEOnet のパラメータの感度解析を行い、その意義を検証できる。 その結果,genEOnetは,他の手法に比べて,同値比が有意に高いことがわかった。 最後に、genEOnetは分子動力学から生じる摂動に対して、平均的に頑健であることを示す。 これらの結果は、総合的にgenEOnetの説明可能性、信頼性、堅牢性の証明として役立ち、信頼できる人工知能の文脈におけるgenEOsの有効利用を確認している。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Investigating Parameter-Efficiency of Hybrid QuGANs Based on Geometric Properties of Generated Sea Route Graphs [3.9456729020535013]
  我々はQuGAN(Quarum-classical Hybrid Generative Adversarial Network)を用いて,輸送経路のグラフを人工的に生成する。 我々は、QuGANと古典的生成逆ネットワーク(GAN)の比較を行う。 以上の結果から,QuGANは基底となる幾何学的性質や分布を素早く学習し,表現できることが示唆された。
  論文  参考訳（メタデータ） (2025-01-15T09:08:05Z)
• Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
  ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。 本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
  論文  参考訳（メタデータ） (2024-07-03T10:31:30Z)
• A novel approach to graph distinction through GENEOs and permutants [0.0]
  本稿では、同型への$r$正則グラフの識別にGENEOsを用いる方法について検討する。 実験の結果, GENEOsは$r$規則グラフの比較において, 効率と計算コストとの間に良い妥協をもたらすことがわかった。 genEOsは機械学習における差別的問題に対する汎用的なアプローチである。
  論文  参考訳（メタデータ） (2024-06-12T09:53:14Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Equivariant Transduction through Invariant Alignment [71.45263447328374]
  グループ内ハードアライメント機構を組み込んだ,新しいグループ同変アーキテクチャを提案する。 我々のネットワーク構造は、既存のグループ同変アプローチよりも強い同変特性を発達させることができる。 また、SCANタスクにおいて、従来のグループ同変ネットワークよりも経験的に優れていたことが判明した。
  論文  参考訳（メタデータ） (2022-09-22T11:19:45Z)
• GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection [97.5153823429076]
  グループ同変非拡張演算子に基づく新しい計算パラダイムを導入する。 我々は、薬物設計における重要な問題として、ホスト可能なタンパク質の表面のポケットを検出する、GENEOnetと呼ばれる方法を試した。
  論文  参考訳（メタデータ） (2022-01-31T11:14:51Z)
• Some Theoretical Insights into Wasserstein GANs [0.0]
  我々は、ワッサーシュタイン GANs (WGANs) の性質に関する理論的進歩を提案する。 ニューラルネットワークによってパラメータ化される積分確率メトリクスの文脈で、WGANのアーキテクチャを適切に定義する。 統計的に駆動されたアプローチでは、サンプルサイズが無限大になる傾向にある経験的WGANの収束について研究する。
  論文  参考訳（メタデータ） (2020-06-04T07:55:41Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。