Еквіваріантні матриці переходу для пояснюваного глибокого навчання: підхід на основі лінеаризації груп Лі
Machine Learning and Knowledge Extraction, т. 8, № 4, стаття 92
Стислий огляд дослідження
Дослідження підвищує узгодженість пояснень навченої нейронної мережі під час перетворення вхідних даних, наприклад обертання. Після навчання до матриць переходу додають обмеження на основі груп Лі. Перевірки на синтетичних даних і рукописних цифрах зіставляють цю узгодженість із точністю відтворення поведінки моделі в поясненні.
Бібліографічне посилання
Формат цитування для вашого видання чи організації звірте із записом у видавця.
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
Перевірте метод на вашій задачі.
Опишіть рішення, яке має підтримувати ваша система, та дані, з якими вона працює. Оцінимо придатність методу, визначимо обсяг прототипу й погодимо, як перевірити якість, час відповіді та вартість його роботи.