每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

用于可解释分类的神经逻辑网络

Created by
  • Haebom

作者

文森特·佩罗、井上克己、理查德·拉比、阿兰·赫兹

大纲

传统神经网络虽然表现出优异的分类性能，但也存在无法检查、验证或提取的局限性。相比之下，神经逻辑网络学习一种逻辑机制，该机制通过可解释的结构，使用“与”和“或”运算将输入和输出关联起来。本文提出利用神经逻辑网络，通过泛化“非”运算和偏差来解释未观测数据，并通过逻辑和概率建模对概念组合进行严格建模。此外，我们提出了一种新颖的因式分解“如果-那么”规则结构和一种改进的学习算法。该方法推进了布尔网络发现领域的前沿技术，并能够学习相关且可解释的规则，尤其适用于可解释性具有实际价值的医疗保健和工业场景。

Takeaways，Limitations

•
Takeaways：
◦
我们提出了一种广义神经逻辑网络，其中包括 NOT 运算和偏差，以提高可解释性。
◦
我们通过新的分解 IF-THEN 规则结构和改进的学习算法来提高布尔网络发现的性能。
◦
您可以学习医疗保健和工业等可解释性很重要的领域的相关且可解释的规则。
•
Limitations：
◦
需要进一步研究来确定本文提出的方法的普遍性和可扩展性。
◦
需要通过对不同数据集的实验进一步验证性能。
◦
学习复杂的关系可能会存在局限性。
👍
Made with Slashpage