| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2025-03-07 13:35 柔軟性と説明性を両立するGlass-Box深層学習モデル ○小池 敦（東北大）  NC2024-86 |
|
| 抄録 | （和） | 人間の評価などのセンシティブな判断に機械学習を活用する場合，モデル自体が説明性を備えている（Glass-boxである）ことが望ましい．そのようなモデルに線形モデルや決定木があるが，予測性能が低い．一般化加法モデルは予測性能が高いものの，説明変数が多い場合には説明が煩雑となる．また，得られる関数の値が入力の変化に対して不必要にばらつく傾向があるため感度分析をしにくい．本研究では，より簡潔な説明が可能で感度分析にも適したGlass-box機械学習モデルをニューラルネットワークで実装する．提案モデルは入力の加重和に対する加法モデルであり，各コンポーネントの関数として非対称なガウス関数を使用する．本モデルに対し，基本的な予測性能評価を行い，他のGlass-boxモデルに匹敵する予測性能が得られることを示す． |
| （英） | When applying machine learning to sensitive decision-making tasks such as evaluating individuals, it is desirable for the model itself to be interpretable (i.e., a glass-box). Although linear models and decision trees serve as such interpretable models, their predictive performance is typically low. Generalized Additive Models (GAMs) can achieve high predictive accuracy, but when the number of explanatory variables is large, their explanations become cumbersome. Furthermore, because the learned function's values tend to fluctuate unnecessarily in response to changes in the input, it becomes difficult to perform sensitivity analysis. In this study, we propose and implement a glass-box machine learning model using a neural network that provides more concise explanations and is suitable for sensitivity analysis. The proposed model is an additive model applied to weighted sums of the inputs, where each component function is defined by an asymmetric Gaussian function. We conduct basic performance evaluations of the model and demonstrate that its predictive performance is comparable to other glass-box models. | |
| キーワード | （和） | 説明可能AI / ニューラルネットワーク / GAM / Glass-boxモデル / / / / |
| （英） | Explainable AI / neural networks / GAM / glass-box models / / / / | |
| 文献情報 | 信学技報, vol. 124, no. 413, NC2024-86, pp. 127-132, 2025年3月. | |
| 資料番号 | NC2024-86 | |
| 発行日 | 2025-02-26 (NC) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NC2024-86 |
|
| 研究会情報 | |
| 研究会 | NC MBE |
| 開催期間 | 2025-03-05 - 2025-03-07 |
| 開催地（和） | 東京大学 |
| 開催地（英） | |
| テーマ（和） | 脳アーキテクチャー, 一般（NC, ME） |
| テーマ（英） | Brain architecture, General |
| 講演論文情報の詳細 | |
| 申込み研究会 | NC |
| 会議コード | 2025-03-NC-MBE |
| 本文の言語 | 日本語 |
| タイトル（和） | 柔軟性と説明性を両立するGlass-Box深層学習モデル |
| サブタイトル（和） | |
| タイトル（英） | Glass-Box Deep Learning Models with Both Flexibility and Explainability |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 説明可能AI / Explainable AI |
| キーワード(2)（和/英） | ニューラルネットワーク / neural networks |
| キーワード(3)（和/英） | GAM / GAM |
| キーワード(4)（和/英） | Glass-boxモデル / glass-box models |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 小池 敦 / Atsushi Koike / コイケ アツシ |
| 第1著者 所属（和/英） | 東北大学 (略称： 東北大) Tohoku University (略称： Tohoku Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2025-03-07 13:35:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NC |
| 資料番号 | NC2024-86 |
| 巻番号（vol） | vol.124 |
| 号番号（no） | no.413 |
| ページ範囲 | pp.127-132 |
| ページ数 | 6 |
| 発行日 | 2025-02-26 (NC) |
[研究会発表申込システムのトップページに戻る]