Core Concepts
PCBMはCBMよりも一般化性能が優れていることを示す。
Abstract
この記事では、Concept Bottleneck Model(CBM)およびPartial Concept Bottleneck Model(PCBM)に関する理論的な解析が行われています。PCBMはCBMよりも一般化性能が高いことが示されており、Bayesian generalization errorやfree energyの上限値が導出されています。さらに、CBMとPCBM間のBayesian generalization errorの差についても議論されています。
Abstract:
CBMはニューラルネットワークを説明する方法であり、PCBMはその改良版である。
PCBMは数値実験において、一般化性能が高いことが示されている。
本稿ではPCBMのBayesian generalization errorに関する理論的な解析を行っている。
Introduction:
人工知能の方法論は多くの研究領域で広く適用されており、モデルの解釈可能性への需要が高まっている。
CBMは知識発見に使用されるアーキテクチャであり、PCBMはその改良版である。
Data Extraction:
ニューラルネットワークを最小二乗誤差を最小化して訓練するシナリオでは、パラメータ次元数の半分程度でRLCTが支配されることが示唆されている。
Stats
ニューラルネットワークを最小二乗誤差を最小化して訓練するシナリオでは、パラメータ次元数の半分程度でRLCTが支配されることが示唆されている。