基于非负任务分解的层状神经网络知识发现
量子物理
2019-03-06 v1
摘要
随着层状神经网络在各种实际任务中的成功,可解释性已成为机器学习领域的一个重要问题。由于训练后的层状神经网络由大量参数之间复杂的非线性关系构成,我们难以理解其如何对给定数据集实现输入输出映射。本文中,我们提出非负任务分解方法,将非负矩阵分解应用于训练后的层状神经网络。这使我们能够将训练后层状神经网络的推理机制分解为多个输入输出映射的主任务,并依据隐藏单元对各主任务的贡献揭示其作用。
引用
@article{arxiv.1805.07136,
title = {Optical and Microcavity Modes Entanglement by means of Opto-Electronics System},
author = {Ahmad Salmanogli and Dincer Gokcen and H. Selcuk Gecim},
journal= {arXiv preprint arXiv:1805.07136},
year = {2019}
}