基于深度信念网络自编码器的可解释算法：一种新颖的扩展 Garson 算法
机器学习
2022-07-19 v1 人工智能
摘要
机器学习中最困难的任务之一是解释训练好的浅层神经网络。深度神经网络 (DNNs) 在大量任务上提供了令人印象深刻的成果，但此类训练好的深度神经网络如何做出决策通常仍不清楚。提供特征重要性是用于浅层和深度神经网络最重要且流行的解释技术。本文中，我们开发了一种扩展 Garson 算法思想的算法，以解释基于深度信念网络的自编码器 (DBNA)。它用于确定 DBN 中每个输入特征的贡献。它可用于任何具有多个隐藏层的神经网络。该方法的的有效性在取自文献的分类和回归数据集上进行了测试。本方法识别的重要特征与 Wald 卡方 (χ²) 所得结果进行了比较。在 4 个分类数据集中的 2 个和 5 个回归数据集中的 2 个上，我们提出的方法识别出更高质量的特征，相较于 Wald χ² 产生了统计上更显著的结果。
引用
@article{arxiv.2207.08501,
title = {Explainable Deep Belief Network based Auto encoder using novel Extended Garson Algorithm},
author = {Satyam Kumar and Vadlamani Ravi},
journal= {arXiv preprint arXiv:2207.08501},
year = {2022}
}
备注
37 pages, 28 figures, 21 tables