論文の概要: Interpreting the predictions of neural network classification based on a Taylor Coefficient Analysis (TCA)

• arxiv url: http://arxiv.org/abs/2609.12801v1
• Date: Fri, 11 Sep 2026 12:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.750386
• Title: Interpreting the predictions of neural network classification based on a Taylor Coefficient Analysis (TCA)
• Title（参考訳）: Taylor Coefficient Analysis (TCA)に基づくニューラルネットワーク分類予測の解釈
• Abstract要約: 本稿では,入力特徴空間の$X$が事象分類に使用されるニューラルネットワーク(NN)の予測値$haty$に与える影響を特徴付けるための分類とパラダイムを紹介する。 テイラー係数解析(Taylor Coefficient Analysis, TCA) 我々は、CERN LHC実験で典型的な複雑性のタスクに最も関係のある$X$のそれらの特性が、通常2階までのTCAによって捕捉されるという仮定を支持するために、研究を締めくくった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a rigid and comprehensive taxonomy and paradigm for characterizing the influence of the input feature space $X$ on the predictions $\hat{y}$ of a neural network (NN) used for event classification, based on a Taylor expansion of $\hat{y}$ in $X$. The complete process of introspection we refer to as Taylor Coefficient Analysis (TCA). Based on two simplistic example tasks, which can be easily understood and bencmarked, we illustrate the power of the TCA when it comes to revealing, what properties of $X$ have led to what value of $\hat{y}$, of a given NN model, building up intuition for the method. A more complex application is meant to represent $X$ of a typical classification task at a CERN LHC experiment. Based on this application, we play through the different levels of introspection that the TCA offers and discuss a number of practical aspects for a TCA application typical for the analysis of CERN LHC data. We conclude with a study to support the assumption that those properties of $X$ most relevant for tasks of the complexity typical for a CERN LHC experiment, are usually caught by a TCA up to the second order.
• Abstract（参考訳）: 入力特徴空間の$X$が、イベント分類に使用されるニューラルネットワーク(NN)の予測値である$\hat{y}$に対する影響を、Taylorの$\hat{y}$ in $X$に基づいて特徴づけるための厳密で包括的な分類法とパラダイムを導入する。 内観の完全な過程をTaylor Coefficient Analysis (TCA)と呼ぶ。 簡単な2つの例タスクをベースとして、容易に理解し、目立たせることができ、TCAのパワーを明らかにし、X$のプロパティが与えられたNNモデルの$\hat{y}$の値を導いたかを説明し、メソッドの直観を構築します。 より複雑なアプリケーションは、CERN LHC実験における典型的な分類タスクの$X$を表すことを意図している。 本アプリケーションでは, CERN LHCデータの解析に典型的なTCAアプリケーションに対して, TCAが提供するさまざまなイントロスペクションのレベルを考慮し, 多数の実践的側面について検討する。 我々は、CERN LHC実験で典型的な複雑性のタスクに最も関係のある$X$のそれらの特性が、通常2階までのTCAによって捕捉されるという仮定を支持するために、研究を締めくくった。

関連論文リスト

• Transformers Provably Learn to Internalize Chain-of-Thought [65.41010769606844]
  Implicit Chain-of-Thought (ICoT) は、隠れた状態の中で中間段階を内部化するモデルを訓練する。 Log-ICoTはシンキングトークンを一度に削除し、$k$のリニアから対数へのステージ数を削減します。 多層変圧器の実験により理論が確認され、より深い層に段階的に推論がどのように吸収されるかが可視化される。
  論文  参考訳（メタデータ） (2026-05-27T15:17:06Z)
• CoT Information: Improved Sample Complexity under Chain-of-Thought Supervision [10.29575414214269]
  チェーン・オブ・思想(CoT)の監督は、最終的なアウトプットとともに中間的推論ステップを提供する。 本稿では,CoT監督下での学習の統計的理論について述べる。
  論文  参考訳（メタデータ） (2025-05-21T18:28:54Z)
• In-Context Learning with Hypothesis-Class Guidance [9.323460118695932]
  本稿では,仮説クラスガイダンス(ICL-HCG)を用いたICLを提案する。 i)新しい仮説クラスに対する様々な一般化能力、(ii)異なるモデルアーキテクチャ、(iii)サンプル複雑性、(iv)命令の役割、(vi)仮説の事前学習の効果。
  論文  参考訳（メタデータ） (2025-02-27T05:52:06Z)
• Unveiling Induction Heads: Provable Training Dynamics and Feature Learning in Transformers [54.20763128054692]
  我々は,2層変換器が$n$-gramのマルコフ連鎖データ上でICLを実行するためにどのように訓練されているかを検討する。 クロスエントロピー ICL 損失に対する勾配流が極限モデルに収束することを証明する。
  論文  参考訳（メタデータ） (2024-09-09T18:10:26Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Scalable Learning of Item Response Theory Models [48.91265296134559]
  項目応答理論(IRT)モデルは、分類データから、$m$テスト項目の遅延困難特性とともに、$n$試験の潜時能力を評価することを目的としている。 我々はこれらのモデルの類似性をロジスティック回帰に利用し、コアセットと呼ばれる小さな重み付き部分集合を用いて正確に近似することができる。
  論文  参考訳（メタデータ） (2024-03-01T17:12:53Z)
• Exploring Learned Representations of Neural Networks with Principal Component Analysis [1.0923877073891446]
  ある層では、高い精度の分類には中間的特徴空間分散の20%しか必要としない。 本研究は神経崩壊と相関し, 中間神経崩壊の関連現象の部分的証拠を提供する。
  論文  参考訳（メタデータ） (2023-09-27T00:18:25Z)
• Distribution learning via neural differential equations: a nonparametric statistical perspective [1.4436965372953483]
  この研究は、確率変換によって訓練されたODEモデルによる分布学習のための最初の一般統計収束解析を確立する。 後者はクラス $mathcal F$ の$C1$-metric entropy で定量化できることを示す。 次に、この一般フレームワークを$Ck$-smoothターゲット密度の設定に適用し、関連する2つの速度場クラスに対する最小最適収束率を$mathcal F$:$Ck$関数とニューラルネットワークに設定する。
  論文  参考訳（メタデータ） (2023-09-03T00:21:37Z)
• Stability and Generalization of lp-Regularized Stochastic Learning for GCN [9.517209629978057]
  グラフ畳み込みネットワーク(GCN)は、グラフデータ上のグラフニューラルネットワークの変種の中で最も一般的な表現の1つである。 本稿では,一般的な$ell_p$-regularized $ (1pleq 2)$ Learningアルゴリズムを用いて,GCNの滑らかさと疎さのトレードオフを定量化する。
  論文  参考訳（メタデータ） (2023-05-20T03:49:29Z)
• On the Identifiability and Estimation of Causal Location-Scale Noise Models [122.65417012597754]
  位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。 症例によっては, 因果方向が同定可能であることが示唆された。 我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
  論文  参考訳（メタデータ） (2022-10-13T17:18:59Z)
• Machine learning based event classification for the energy-differential measurement of the $^\ ext{nat}$C(n,p) and $^\ ext{nat}$C(n,d) reactions [0.0]
  本稿では,実験データの分類に機械学習,特にニューラルネットワークを用いることの可能性について検討する。 実験データは、CERNの飛行施設n_TOFの中性子時間から、ジョイント$textnat$C(n,p)と$textnat$C(n,d)反応断面積の測定から得られる。
  論文  参考訳（メタデータ） (2022-04-11T09:03:49Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Dynamics of Local Elasticity During Training of Neural Nets [7.9140338281956835]
  局所弾性」は、サンプルデータポイントが他のデータでの予測に与える影響の伝播を定量化しようとする。 今回提案した$S_rm rel$は,従来の定義とは対照的に,重み更新の特性をはるかに強く検出する。
  論文  参考訳（メタデータ） (2021-11-01T18:00:14Z)
• On Function Approximation in Reinforcement Learning: Optimism in the Face of Large State Spaces [208.67848059021915]
  強化学習のコアにおける探索・探索トレードオフについて検討する。 特に、関数クラス $mathcalF$ の複雑さが関数の複雑さを特徴づけていることを証明する。 私たちの後悔の限界はエピソードの数とは無関係です。
  論文  参考訳（メタデータ） (2020-11-09T18:32:22Z)

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。