論文の概要: A Feature Selection Layer Approach for Multi-Class Classification on Neural Networks
- arxiv url: http://arxiv.org/abs/2610.22898v1
- Date: Fri, 16 Oct 2026 04:01:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.760616
- Title: A Feature Selection Layer Approach for Multi-Class Classification on Neural Networks
- Title（参考訳）: ニューラルネットワークを用いた複数クラス分類のための特徴選択層アプローチ
- Abstract要約: ディープラーニングモデルは、パターンを発見し、社会の多くの側面に影響を与える予測を行うための強力なツールになっています。
ディープラーニングモデルは、パターンを発見し、社会の多くの側面に影響を与える予測を行うための強力なツールになっている。
個々の特徴の関連性を評価する特徴重み付け手法は,解釈可能性向上のための最も広く研究されている手法の一つである。
- 参考スコア（独自算出の注目度）: 4.014524824655106
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the age of data-driven decision-making, deep learning models have become powerful tools for uncovering patterns and making predictions that influence many aspects of society. However, their broader adoption in scientific and business applications is often limited by a lack of interpretability. Feature weighting methods, which assess the relevance of individual features, are among the most widely studied approaches for improving interpretability. While post hoc techniques have advanced significantly, especially in modeling nuanced relationships between features and labels in multiclass problems, embedded methods typically fall short in this regard. Embedded techniques integrate feature relevance learning directly into the model training process, but they are often unable to capture label-specific relationships. To address the limitation, we propose multiple extensions to the Feature Selection Layer, an embedded feature weighting mechanism for neural networks. Through extensive experimentation, we identify the most effective extension and benchmark it against established feature weighting methods. Our results show that the proposed method matches existing techniques in identifying globally relevant features and outperforms them in capturing label-specific relevance. By leveraging the internal dynamics of the trained neural network, it reveals how individual features contribute to the prediction of specific labels, requiring no post-processing beyond the training process.
- Abstract（参考訳）: データ駆動意思決定の時代において、ディープラーニングモデルは、パターンを発見し、社会の多くの側面に影響を与える予測を行うための強力なツールとなっている。
しかしながら、科学やビジネスの応用において広く採用されているのは、しばしば解釈可能性の欠如によって制限される。
個々の特徴の関連性を評価する特徴重み付け手法は,解釈可能性向上のための最も広く研究されている手法の一つである。
ポストホック技術は、特にマルチクラス問題における特徴とラベルの間のニュアンスな関係をモデル化する過程で著しく進歩しているが、組み込みメソッドは通常、この点において不足している。
組込み技術は、モデルトレーニングプロセスに直接機能関連学習を統合するが、しばしばラベル固有の関係を捉えることができない。
この制限に対処するために、ニューラルネットワークの組込み機能重み付け機構であるFeature Selection Layerの複数の拡張を提案する。
広範な実験を通じて、最も効果的な拡張を識別し、確立された特徴重み付け法と比較する。
提案手法は,グローバルな特徴を識別する既存の手法と一致し,ラベル固有の関連性を捉える上で優れることを示す。
トレーニングされたニューラルネットワークの内部ダイナミクスを活用することで、個々の機能が特定のラベルの予測にどのように貢献するかを明らかにする。
関連論文リスト
- Steering Neural Network Training through Interpretable Constraints Based on Partial Dependence [2.5106710808160497]
部分的依存に基づくニューラルネットワークのステアリングに対する新しいアプローチを提案する。
トレーニングが制御されたモデルは、制約のないモデルよりも優れていることを示す。
我々は,前者から得られた解釈が実際にユーザが提供する知識と一致するのに対して,後者から得られた解釈は一致しない点を強調した。
論文 参考訳（メタデータ） (2026-07-09T16:16:27Z) - A Closer Look at Deep Learning Methods on Tabular Datasets [78.61845513154502]
広い範囲にまたがる300以上のデータセットの集合であるTALENTについて広範な研究を行った。
我々の評価では、アンサンブルは木に基づくアプローチとニューラルアプローチの両方に効果があることが示されている。
論文 参考訳（メタデータ） (2024-07-01T04:24:07Z) - Reinforcement Learning Based Multi-modal Feature Fusion Network for
Novel Class Discovery [47.28191501836041]
本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。
また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。
我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
論文 参考訳（メタデータ） (2023-08-26T07:55:32Z) - Complementary Learning Subnetworks for Parameter-Efficient
Class-Incremental Learning [40.13416912075668]
本稿では,2つの補完学習サブネットワークス間のシナジーを通じて連続的に学習するリハーサルフリーなCILアプローチを提案する。
提案手法は, 精度向上, メモリコスト, トレーニング効率, タスク順序など, 最先端手法と競合する結果が得られる。
論文 参考訳（メタデータ） (2023-06-21T01:43:25Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。
既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。
本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-07T06:50:27Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳（メタデータ） (2021-10-31T16:15:09Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳（メタデータ） (2021-07-23T06:57:08Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Learning Cross-domain Generalizable Features by Representation
Disentanglement [11.74643883335152]
ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。
本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。
本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
論文 参考訳（メタデータ） (2020-02-29T17:53:16Z)
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。