論文の概要: neuralGAM: An R Package for Fitting Generalized Additive Neural Networks

• arxiv url: http://arxiv.org/abs/2505.08610v1
• Date: Tue, 13 May 2025 14:30:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.612103
• Title: neuralGAM: An R Package for Fitting Generalized Additive Neural Networks
• Title（参考訳）: NeuralGAM: 一般化付加型ニューラルネットワークに適合するRパッケージ
• Authors: Ines Ortega-Fernandez, Marta Sestelo,
• Abstract要約: ニューラルGAMパッケージは、一般化付加モデルに基づくニューラルネットワークトポロジーを実装している。 このパッケージは、Generalized Additive Neural Networksをトレーニングするための柔軟なフレームワークを提供する。 合成データと実データの両方において、NeuralGAMパッケージの使用について説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Nowadays, Neural Networks are considered one of the most effective methods for various tasks such as anomaly detection, computer-aided disease detection, or natural language processing. However, these networks suffer from the ``black-box'' problem which makes it difficult to understand how they make decisions. In order to solve this issue, an R package called neuralGAM is introduced. This package implements a Neural Network topology based on Generalized Additive Models, allowing to fit an independent Neural Network to estimate the contribution of each feature to the output variable, yielding a highly accurate and interpretable Deep Learning model. The neuralGAM package provides a flexible framework for training Generalized Additive Neural Networks, which does not impose any restrictions on the Neural Network architecture. We illustrate the use of the neuralGAM package in both synthetic and real data examples.
• Abstract（参考訳）: 現在、ニューラルネットワークは、異常検出、コンピュータ支援疾患検出、自然言語処理など、様々なタスクにおいて最も効果的な方法の1つと考えられている。 しかし、これらのネットワークは 'black-box'' 問題に悩まされており、どのように意思決定するかを理解するのは難しい。 この問題を解決するために、NeuralGAMと呼ばれるRパッケージが導入された。 このパッケージは、一般化付加モデルに基づくニューラルネットワークトポロジを実装し、独立ニューラルネットワークが出力変数への各特徴の寄与を推定し、高度に正確で解釈可能なディープラーニングモデルを生成する。 NeuralGAMパッケージは、ニューラルネットワークアーキテクチャに制限を課さない、一般化付加ニューラルネットワークをトレーニングするための柔軟なフレームワークを提供する。 合成データと実データの両方において、NeuralGAMパッケージの使用について説明する。

関連論文リスト

• Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks [9.137823172310194]
  本稿では知覚に基づく情報をニューラルネットワークに組み込むように設計されたフレームワークである知覚情報ニューラルネットワーク(PrINN)を紹介する。 PrINNは、従来の物理に基づくモデリングと、現代的なデータ駆動アプローチのギャップを埋める上で、重要な一歩である。
  論文  参考訳（メタデータ） (2025-05-02T09:08:07Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Generalization and Estimation Error Bounds for Model-based Neural Networks [78.88759757988761]
  スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。 我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:39:44Z)
• Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
  NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。 本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。 我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
  論文  参考訳（メタデータ） (2022-09-16T06:36:06Z)
• Persistent Homology Captures the Generalization of Neural Networks Without A Validation Set [0.0]
  本稿では,代数的トポロジー,特に永続的ホモロジーを用いたニューラルネットワークのトレーニングについて考察する。 ニューラルネットワークの単純な複雑な表現を用いて、ニューラルネットワーク学習プロセスにおけるPHダイアグラム距離の進化について検討する。 その結果,連続するニューラルネットワーク状態間のPHダイアグラム距離は,検証精度と相関していることがわかった。
  論文  参考訳（メタデータ） (2021-05-31T09:17:31Z)
• Exploiting Heterogeneity in Operational Neural Networks by Synaptic Plasticity [87.32169414230822]
  最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。 本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。 高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-08-21T19:03:23Z)

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。