End-to-End Neural Network Training for Hyperbox-Based Classification

要約

ハイパーボックスベースの分類は、データに関する決定を一連の直交する多次元ボックス (つまり、ハイパーボックス) として表現し、多くの場合解釈可能で人間が判読できる、有望な手法とみなされています。
しかし、既存の方法では、多くのアプリケーション ドメインが今日直面しているデータ量の増加を効率的に処理できなくなりました。
私たちは、ニューラル ネットワークを介したハイパーボックス ベースの分類のための、完全に微分可能な新しいフレームワークを提案することで、このギャップに対処します。
以前の研究とは対照的に、ハイパーボックス モデルはエンドツーエンドの方法で効率的にトレーニングできるため、トレーニング時間が大幅に短縮され、優れた分類結果が得られます。

要約(オリジナル)

Hyperbox-based classification has been seen as a promising technique in which decisions on the data are represented as a series of orthogonal, multidimensional boxes (i.e., hyperboxes) that are often interpretable and human-readable. However, existing methods are no longer capable of efficiently handling the increasing volume of data many application domains face nowadays. We address this gap by proposing a novel, fully differentiable framework for hyperbox-based classification via neural networks. In contrast to previous work, our hyperbox models can be efficiently trained in an end-to-end fashion, which leads to significantly reduced training times and superior classification results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google