用于人类可理解神经模型的类单极参数化激活函数
人工智能
2022-05-16 v1 机器学习
摘要
我们提出了一种用于发现输入特征之间人类可理解关联的深度学习模型。我们的方法使用了一种基于幂零模糊逻辑与多准则决策（MCDM）理论背景的参数化可微激活函数。该可学习参数具有语义含义，指示输入特征之间的补偿水平。神经网络利用梯度下降确定参数，以发现输入特征之间人类可理解的关系。我们通过将模型成功应用于 UCI 机器学习库中的分类问题，展示了其实用性与有效性。
引用
@article{arxiv.2205.06547,
title = {Uninorm-like parametric activation functions for human-understandable neural models},
author = {Orsolya Csiszár and Luca Sára Pusztaházi and Lehel Dénes-Fazakas and Michael S. Gashler and Vladik Kreinovich and Gábor Csiszár},
journal= {arXiv preprint arXiv:2205.06547},
year = {2022}
}