[Ingediend op 26 april 2020]
Abstract: De afgelopen jaren zijn diepe neurale netwerken toegepast om high te verkrijgen
prestaties van voorspelling, classificatie en patroonherkenning. Echter,
de gewichten in deze diepe neurale netwerken zijn moeilijk te verklaren.
Hoewel een lineaire regressiemethode verklaarbare resultaten kan opleveren, kan de methode
is niet geschikt in het geval van invoerinteractie. Daarom een uitleg
diepe neurale netwerk (ExpDNN) met verklaarbare lagen wordt voorgesteld om te verkrijgen
verklaarbare resultaten bij invoerinteractie. Er zijn drie zaken behandeld
evalueren van de voorgestelde ExpDNN, en de resultaten lieten zien dat de absolute waarde van
gewicht in een verklaarbare laag kan worden gebruikt om het gewicht van uit te leggen
overeenkomstige invoer voor het extraheren van kenmerken.
Inzendingsgeschiedenis
Van: Chi-Hua Chen [e-mail bekijken]
[V1]
Zo 26 apr 2020 07:57:24 UTC (225 KB)
