Image classification network enhancement methods based on knowledge injection

要約

現在のディープ ニューラル ネットワーク アルゴリズムは依然として画像とラベルのペアのようなエンドツーエンドのトレーニング監視手法に留まっており、そのため従来のアルゴリズムでは結果の理由を説明することが難しく、予測ロジックの理解と分析が困難になっています。
現在のアルゴリズムは人間の既存の知識情報を使用していないため、モデルは人間の認知モデルと一致せず、人間の使用には適していません。
上記の問題を解決するために、本発明は、人間の認知モデルを使用してディープニューラルネットワークトレーニングモデルを構築し、既存の人間の知識情報を使用してディープニューラルネットワークトレーニングモデルを構築する、人間の知識に基づくディープニューラルネットワークトレーニング方法を提供する。
ニューラルネットワークトレーニングモデル。
この論文は、マルチレベル階層深層学習アルゴリズムを提案します。このアルゴリズムは、マルチレベル階層ディープ ニューラル ネットワーク アーキテクチャとマルチレベル階層深層学習フレームワークで構成されます。
実験結果は,提案したアルゴリズムがニューラルネットワークの隠された情報を効果的に説明できることを示した。
私たちの研究の目標は、分類タスクに対する知識注入の影響を分析することで、ディープ ニューラル ネットワーク (DNN) の解釈可能性を向上させることです。
一致する知識データと画像分類データを使用して知識注入データセットを構築しました。
知識注入データセットは、論文内の実験のベンチマーク データセットです。
私たちのモデルは、さまざまなスケールでの隠れ層の解釈可能性と分類タスクのパフォーマンスの向上を表します。

要約(オリジナル)

The current deep neural network algorithm still stays in the end-to-end training supervision method like Image-Label pairs, which makes traditional algorithm is difficult to explain the reason for the results, and the prediction logic is difficult to understand and analyze. The current algorithm does not use the existing human knowledge information, which makes the model not in line with the human cognition model and makes the model not suitable for human use. In order to solve the above problems, the present invention provides a deep neural network training method based on the human knowledge, which uses the human cognition model to construct the deep neural network training model, and uses the existing human knowledge information to construct the deep neural network training model. This paper proposes a multi-level hierarchical deep learning algorithm, which is composed of multi-level hierarchical deep neural network architecture and multi-level hierarchical deep learning framework. The experimental results show that the proposed algorithm can effectively explain the hidden information of the neural network. The goal of our study is to improve the interpretability of deep neural networks (DNNs) by providing an analysis of the impact of knowledge injection on the classification task. We constructed a knowledge injection dataset with matching knowledge data and image classification data. The knowledge injection dataset is the benchmark dataset for the experiments in the paper. Our model expresses the improvement in interpretability and classification task performance of hidden layers at different scales.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google