Cet article se concentre sur les recherches croissantes sur les réseaux neuronaux profonds interprétables utilisant des arbres de décision. Il souligne que ces derniers présentent les avantages d'une interprétation aisée, d'une prise de décision rapide et d'une hiérarchisation des classes par rapport aux modèles de classification par régression logistique. Cependant, les arbres de décision présentent l'inconvénient de ne pas pouvoir réutiliser les nœuds de décision, ce qui constitue un désavantage par rapport aux graphes de décision. Dans cet article, nous proposons un paradigme général basé sur les processus de Markov pour résoudre le problème de la faible utilisation des graphes de décision en apprentissage profond, faute de techniques d'apprentissage efficaces basées sur les gradients. Cela permet d'entraîner efficacement un type particulier de graphe de décision appelé graphe neuronal auto-organisateur (SONG). Dans cet article, nous présentons des études théoriques approfondies sur SONG et des résultats expérimentaux utilisant les jeux de données Letter, Connect4, MNIST, CIFAR et TinyImageNet, et démontrons que ses performances sont aussi bonnes, voire supérieures, que celles des modèles de prise de décision existants.
