ՀՀ ԳԱԱ եւ ՀՊՃՀ Տեղեկագիր. Տեխնիկական գիտություններ =Proceedings of the NAS RA and SEUA: Technical Sciences

Ռեկուրենտ նեյրոնային ցանցերի որոշումների բացատրությունը պատկերավորման միջոցով

Խաչատրյան, Հ. Հ. and Քարամյան, Դ. Ս. and Քարամյան, Տ. Ս. (2020) Ռեկուրենտ նեյրոնային ցանցերի որոշումների բացատրությունը պատկերավորման միջոցով. ՀՀ ԳԱԱ Տեղեկագիր: Տեխնիկական գիտություններ, 73 (1). pp. 90-99. ISSN 0002-306X

[img]
Preview
PDF - Requires a PDF viewer such as GSview, Xpdf or Adobe Acrobat Reader
1243Kb

Abstract

Ժամանակակից նեյրոնային ցանցերն ունակ են մոտարկելու բարդ ֆունկցիաներ, ինչի հետևանքով դրանք բարձր արդյունավետությամբ աշխատում են պատկերների ճանաչման, բնական լեզուների մշակման (NLP) մի շարք խնդիրների լուծման դեպքում: Չնայած դրան, այնքան էլ պարզ չէ, թե ինչի հիման վրա են նեյրոնային ցանցերը կատարում իրենց կանխատեսումները։ Մասնավորապես, խնդիր է դրվում՝ հասկանալու, թե մուտքի որ նկարագրերին (features) նայելով է ցանցը կայացնում իր որոշումը։ Բժշկության մեջ ցանցերի կանխատեսումները ոչ միայն պետք է լինեն ճշգրիտ, այլև պետք է ունենան հիմնավորումներ։ Օրինակ, երբ նեյրոնային ցանցը կանխատեսել է հիվանդության առկայությունը, անհրաժեշտ է հասկանալ, թե մուտքային որ տվյալներն են մեծ դեր խաղացել այդ որոշման մեջ։ Современные нейронные сети могут аппроксимировать любую сложную функцию. Поэтому они могут с высокой эффективностью работать в задачах распознавания образов, обработки естественного языка и др. При этом неясно, каким образом нейронные сети осуществляют прогнозирование. Для этого необходимо понять, какие входные данные играют важную роль в принятии решений. В медицинской сфере важное значение имеет интерпретируемость нейронных сетей. Например, если нейронная сеть прогнозирует, что у человека имеется какое-то заболевание, то необходимо выяснить, какие входные характеристики оказывают большое влияние на прогноз. Neural Networks can approximate any complex function, so they work very well in many tasks such as computer vision, natural language processing, etc. Despite their performance, it is unclear, how neural networks incorporate with input features and make decisions. In particular, we need to understand which input feature plays an important role in the decision-making process. In medicine, the interpretability of neural nets is very important. For instance, when NN predicts that a person has some disease, it is necessary to understand which input features have a great impact on the prediction.

Item Type:Article
Additional Information:Объяснение решений рекуррентных нейронных сетей через визуализацию; Explaining decisions of recurrent neural networks through visualization
Uncontrolled Keywords:Хачатрян Г. А., Карамян Д. С., Карамян Т. С., Khachatryan H. H., Qaramyan D. S., Qaramyan T. S., ռեկուրենտ նեյրոնային ցանցեր, գրադիենտային հիմքով պատկերավորում, կարևորության հետընթաց մակարդակային շարժմամբ պատկերավորում, MIMIC-III, ժամանակային շարքեր
Subjects:T Technology > TJ Mechanical engineering and machinery
ID Code:4333
Deposited By:Fundamental Scientific Library
Deposited On:31 Oct 2020 10:01
Last Modified:31 Oct 2020 10:01

Repository Staff Only: item control page