論文の概要: Triadic Concept Analysis for Logic Interpretation of Simple Artificial Networks

• arxiv url: http://arxiv.org/abs/2601.06229v1
• Date: Fri, 09 Jan 2026 11:36:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.702436
• Title: Triadic Concept Analysis for Logic Interpretation of Simple Artificial Networks
• Title（参考訳）: 単純な人工ネットワークの論理解釈のための三進的概念解析
• Authors: Ingo Schmitt,
• Abstract要約: 人工知能ニューラルネットワーク(Artificial Neural Network, ANN)は、複雑な分類問題の解法である。 我々の考えは、入力オブジェクトの最小値に基づいて訓練された単純なANNモデルからシンボル表現を導出することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: An artificial neural network (ANN) is a numerical method used to solve complex classification problems. Due to its high classification power, the ANN method often outperforms other classification methods in terms of accuracy. However, an ANN model lacks interpretability compared to methods that use the symbolic paradigm. Our idea is to derive a symbolic representation from a simple ANN model trained on minterm values of input objects. Based on ReLU nodes, the ANN model is partitioned into cells. We convert the ANN model into a cell-based, three-dimensional bit tensor. The theory of Formal Concept Analysis applied to the tensor yields concepts that are represented as logic trees, expressing interpretable attribute interactions. Their evaluations preserve the classification power of the initial ANN model.
• Abstract（参考訳）: 人工知能ニューラルネットワーク(Artificial Neural Network, ANN)は、複雑な分類問題の解法である。 高い分類能力のため、ANN法は精度で他の分類法よりも優れていることが多い。 しかし、ANNモデルはシンボリックパラダイムを使用するメソッドと比較して解釈可能性に欠ける。 我々の考えは、入力オブジェクトの最小値に基づいて訓練された単純なANNモデルからシンボル表現を導出することである。 ReLUノードに基づいて、ANNモデルはセルに分割される。 ANNモデルをセルベース3次元ビットテンソルに変換する。 形式的概念解析の理論は、テンソルに適用され、論理木として表される概念を導出し、解釈可能な属性相互作用を表現する。 彼らの評価は、初期ANNモデルの分類力を保っている。

関連論文リスト

• Unveiling Ontological Commitment in Multi-Modal Foundation Models [7.485653059927206]
  ディープニューラルネットワーク(DNN)は、概念の豊かな表現とそれぞれの推論を自動的に学習する。 そこで本研究では,葉柄概念の集合に対してマルチモーダルDNNから学習したスーパークラス階層を抽出する手法を提案する。 最初の評価研究では、最先端基礎モデルから有意義な存在論的階級階層を抽出できることが示されている。
  論文  参考訳（メタデータ） (2024-09-25T17:24:27Z)
• Logic interpretations of ANN partition cells [0.0]
  フィードフォワード人工ニューラルネットワーク(ANN)を用いた二元分類問題の検討 ANNをReLU層と複数の線形層(畳み込み、サマリプール、または完全に接続された)で構成する。 単純なANNと論理の橋渡しを行い、その結果、強力なツールセットの論理を用いてANNのセマンティクスを分析し、操作することができる。
  論文  参考訳（メタデータ） (2024-08-26T14:43:43Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• Neural Additive Models for Location Scale and Shape: A Framework for Interpretable Neural Regression Beyond the Mean [1.0923877073891446]
  ディープニューラルネットワーク(DNN)は、様々なタスクで非常に効果的であることが証明されている。 この成功にもかかわらず、DNNの内部構造はしばしば透明ではない。 この解釈可能性の欠如は、本質的に解釈可能なニューラルネットワークの研究の増加につながった。
  論文  参考訳（メタデータ） (2023-01-27T17:06:13Z)
• Combining Discrete Choice Models and Neural Networks through Embeddings: Formulation, Interpretability and Performance [10.57079240576682]
  本研究では、ニューラルネットワーク(ANN)を用いた理論とデータ駆動選択モデルを組み合わせた新しいアプローチを提案する。 特に、分類的または離散的説明変数を符号化するために、埋め込みと呼ばれる連続ベクトル表現を用いる。 我々のモデルは最先端の予測性能を提供し、既存のANNモデルよりも優れ、必要なネットワークパラメータの数を劇的に削減します。
  論文  参考訳（メタデータ） (2021-09-24T15:55:31Z)
• Neural Unsupervised Semantic Role Labeling [48.69930912510414]
  セマンティックロールラベリングのための最初の神経教師なしモデルを提案する。 タスクを2つの引数関連サブタスク、識別とクラスタリングとして分解する。 CoNLL-2009英語データセットの実験では、我々のモデルは過去の最先端のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-19T04:50:16Z)
• Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
  グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。 本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。 モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
  論文  参考訳（メタデータ） (2020-10-01T17:51:19Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)

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。