論文の概要: Native Explainability for Bayesian Confidence Propagation Neural Networks: A Framework for Trusted Brain-Like AI

• arxiv url: http://arxiv.org/abs/2605.11595v1
• Date: Tue, 12 May 2026 06:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.626457
• Title: Native Explainability for Bayesian Confidence Propagation Neural Networks: A Framework for Trusted Brain-Like AI
• Title（参考訳）: ベイジアン信頼度伝播ニューラルネットワークのネイティブ説明可能性:信頼された脳に似たAIのためのフレームワーク
• Authors: Georgios Makridis, Georgios Fatouros, John Soldatos, George Katsis, Dimosthenis Kyriazis,
• Abstract要約: BCPNNの決定を説明するための体系的な枠組みは存在しない。 BCPNNは本質的に透明なモデルであり、アーキテクチャプリミティブは確立された説明可能なAI(XAI)ファミリーに直接マップされる。 本稿では,BCPNNにおける最初のXAI分類法を提案する。重み,バイアス,ハイパーカラム後部,構造塑性利用スコア,アトラクタダイナミクス,入力再構成集団を属性,プロトタイプ,コンセプト,カウンターファクトリアル,メカニカルな説明モダリティにマッピングする。
• 参考スコア（独自算出の注目度）: 0.3013679260442808
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The EU Artificial Intelligence Act (Regulation 2024/1689), fully applicable to high-risk systems from August 2026, creates urgent demand for AI architectures that are simultaneously trustworthy, transparent, and feasible to deploy on resource-constrained edge devices. Brain-like neural networks built on the Bayesian Confidence Propagation Neural Network (BCPNN) formalism have re-emerged as a credible alternative to backpropagation-driven deep learning. They deliver state-of-the-art unsupervised representation learning, neuromorphic-friendly sparsity, and existing FPGA implementations that target edge deployment. Despite this momentum, no systematic framework exists for explaining BCPNN decisions -- a gap the present paper fills. We argue that BCPNN is, in the sense of Rudin's interpretable-by-design agenda, an inherently transparent model whose architectural primitives map directly onto established explainable-AI (XAI) families. We make four contributions. First, we propose the first XAI taxonomy for BCPNN. It maps weights, biases, hypercolumn posteriors, structural-plasticity usage scores, attractor dynamics, and input-reconstruction populations onto attribution, prototype, concept, counterfactual, and mechanistic explanation modalities. Second, we introduce sixteen architecture-level explanation primitives (P1--P16), several without analogue in standard ANNs. We provide closed-form algorithms for computing each from quantities the model already maintains. Third, we introduce five design-time Configuration-as-Explanation primitives (Config-P1 to Config-P5) that treat BCPNN hyperparameter choices as an auditable pre-deployment explanation artifact. Fourth, we sketch a roadmap for integration into industrial IoT deployments and discuss EU AI Act alignment, edge feasibility, and Industry 5.0 implications.
• Abstract（参考訳）: EU人工知能法(Regulation 2024/1689)は、2026年8月からハイリスクシステムに完全に適用され、リソースに制約のあるエッジデバイスにデプロイ可能な信頼性、透明性、実現可能なAIアーキテクチャに対する緊急の要求を生じさせる。 BCPNN(Bayes Confidence Propagation Neural Network)形式に基づいて構築された脳のようなニューラルネットワークは、バックプロパゲーション駆動のディープラーニングの信頼できる代替品として再登場している。 最先端の教師なし表現学習、ニューロモルフィックフレンドリーなスパシティ、エッジデプロイメントをターゲットにした既存のFPGA実装を提供する。 この勢いにもかかわらず、BCPNNの決定を説明するための体系的な枠組みは存在しない。 我々は、BCPNNは、ルディンの解釈可能な設計課題という意味では、アーキテクチャプリミティブが確立した説明可能なAI(XAI)ファミリーに直接マップされる本質的に透明なモデルであると主張している。 私たちは4つの貢献をします。 まず,BCPNNにおける最初のXAI分類法を提案する。 重み、バイアス、ハイパーカラム後部、構造的塑性利用スコア、誘引的ダイナミクス、入力再構成人口を属性、プロトタイプ、コンセプト、反事実、機械的説明モダリティにマップする。 第2に16のアーキテクチャレベルの説明プリミティブ(P1-P16)を導入する。 モデルがすでに保持している量からそれぞれを計算するためのクローズドフォームアルゴリズムを提供する。 第3に、BCPNNのハイパーパラメータ選択を監査可能な事前デプロイ説明アーティファクトとして扱う、設計時のConfig-P1 to Config-P5のプリミティブを5つ導入する。 第4に、産業用IoTデプロイメントへの統合のロードマップをスケッチし、EU AI Actのアライメント、エッジの実現性、産業用5.0の影響について議論する。

関連論文リスト

• VNN-LIB 2.0: Rigorous Foundations for Neural Network Verification [1.0499611180329804]
  本稿では,ニューラルネットワークモデルフォーマットから必要となる最小限の意味的インターフェースを抽象的に特徴付けるEmphnetwork理論について紹介する。 次に、より表現力のあるクエリ言語のための形式構文、ネットワーク理論によって提供される数値領域上の型システム、そして最終的には形式意味論を示す。 したがって、VNN-LIB2.0は信頼できるニューラルネットワーク検証のための堅牢で厳格な基盤を提供する。
  論文  参考訳（メタデータ） (2026-05-08T08:56:59Z)
• 6G Needs Agents: Toward Agentic AI-Native Networks for Autonomous Intelligence [3.099103925863002]
  6Gネットワークは、コミュニケーション、センシング、コンピューティングを統一されたファブリックに統合するAIネイティブインフラストラクチャとして想定されている。 我々は,Large Language Model (LLM) をベースとしたエージェントが有界な政策支配的推論エンティティとして機能するエージェントAI-Native 6Gへのパラダイムシフトを論じる。 本稿では,決定論的ネットワーク基盤,意図と文脈の意味的抽象化,階層的推論,分散マルチエージェント・ファブリックを統合した4層アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-05-02T17:24:12Z)
• Eventizing Traditionally Opaque Binary Neural Networks as 1-safe Petri net Models [0.5499796332553707]
  バイナリニューラルネットワーク(BNN)は、従来の完全精度ニューラルネットワークに対して、低複雑さでエネルギー効率のよい代替手段を提供する。 彼らの離散的で、非常に非線形な振る舞いは、説明し、検証し、正式に検証することを困難にします。 イベント駆動プロセスとしてBNNの内部操作をキャプチャするペトリネット(PN)ベースのフレームワークを導入する。
  論文  参考訳（メタデータ） (2026-02-13T17:25:47Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Standard Neural Computation Alone Is Insufficient for Logical Intelligence [3.230778132936486]
  論理的推論を統合するためには、標準的なニューラルネットワーク層を根本的に再考する必要がある、と我々は主張する。 論理演算の微分可能な近似を組み込んだ論理ニューラルネットワーク(LNU)モジュラーコンポーネントを提唱する。
  論文  参考訳（メタデータ） (2025-02-04T09:07:45Z)
• ActPC-Chem: Discrete Active Predictive Coding for Goal-Guided Algorithmic Chemistry as a Potential Cognitive Kernel for Hyperon & PRIMUS-Based AGI [0.0]
  バイオインスパイアされたゴール誘導人工知能(AI)のための新しいパラダイム(ラベル付き ActPC-Chem)を探求する。 ActPCは、離散アクティブ予測符号化(ActPC)の形式で、書き換え規則のアルゴリズム化学で運用されている。
  論文  参考訳（メタデータ） (2024-12-21T09:14:25Z)
• On Neural Networks as Infinite Tree-Structured Probabilistic Graphical Models [44.676210493587256]
  本稿では,ニューラルネットワークに対応する無限木構造PGMを構築することにより,革新的な解を提案する。 我々の研究は、DNNが前方伝播中に、この代替のPGM構造において正確であるPGMの近似を実行することを明らかにした。
  論文  参考訳（メタデータ） (2023-05-27T21:32:28Z)
• Universal approximation property of invertible neural networks [76.95927093274392]
  Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。 その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
  論文  参考訳（メタデータ） (2022-04-15T10:45:26Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• CSNE: Conditional Signed Network Embedding [77.54225346953069]
  署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。 サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。 条件付き符号付きネットワーク埋め込み(CSNE)を導入する。 我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
  論文  参考訳（メタデータ） (2020-05-19T19:14:52Z)

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。