Core Concepts
DNNから説明、正当化、および不確実性を効率的に抽出する新しいBayesianアプローチを提案。
Abstract
要約:
DNNはタスク信頼度を計算または表現しないため、本論文ではBayesianアプローチを使用して説明、正当化、および不確実性を抽出する方法を提案。
XAIはAIシステムが意思決定する方法に洞察を提供し、人間が潜在的なエラーを特定および修正できるよう支援する重要なツールである。
主要なXAIアプローチには勾配ベースの手法、テキストに基づく説明、メトリック学習がある。
背景:
ガウス過程(GP)は回帰と分類問題のための非パラメトリックベイズアプローチとして使用される。
Sparse Gaussian processes(SGPs)はGPポステリア計算の計算量を低減するために設計されている。
手法:
提案手法はViraniらのサポート近傍をSGPで置き換えてコンピュータコストとメモリフットプリントを削減し、必要な計算リソースも削減する。
結果:
SGPsまたはCov-SGPソリューションは基準線よりもわずかに向上したラベルパフォーマンスを提供し、推論時間が2桁改善されたことが示された。
Stats
DNNから説明や不確実性を抽出する新しいBayesianアプローチを提案しています。