Ekwiwariantne macierze przejścia w wyjaśnialnym głębokim uczeniu: podejście oparte na linearyzacji grup Liego
Machine Learning and Knowledge Extraction, t. 8, nr 4, art. 92
Streszczenie redakcyjne
Badanie zwiększa spójność wyjaśnień wytrenowanej sieci neuronowej przy przekształceniach danych wejściowych, na przykład obrocie. Po treningu do macierzy przejścia dodawane są ograniczenia oparte na grupach Liego. Testy na danych syntetycznych i odręcznych cyfrach zestawiają tę spójność z wiernością wyjaśnienia wobec modelu.
Opis bibliograficzny
Format cytowania wymagany przez czasopismo lub organizację sprawdź w rekordzie wydawcy.
Pavlo Radiuk, Oleksander Barmak, Leonid Bedratyuk, Iurii Krak. "Equivariant Transition Matrices for Explainable Deep Learning: A Lie Group Linearization Approach". Machine Learning and Knowledge Extraction, Vol. 8, No. 4, Article 92, 2026. https://doi.org/10.3390/make8040092
Sprawdź metodę w swoim zastosowaniu.
Opisz decyzję, którą ma wspierać Twój system, oraz dostępne dane. Ocenimy przydatność metody, określimy zakres prototypu i uzgodnimy sposób pomiaru jakości, czasu odpowiedzi oraz kosztu działania.