Neural-based classification rule learning for sequential data

要約

シーケンシャル データを分類するための解釈可能なパターンを発見することは、ゲノミクスから不正検出、またはより一般的に解釈可能な意思決定に至るまで、さまざまな分野にとって重要です。
この論文では、ルールベースのバイナリ分類のために、ローカルパターンとグローバルパターンの両方を発見する (つまり、相対的または絶対的な時間的依存関係をキャッチする) 微分可能で完全に解釈可能な新しい方法を提案します。
これは、解釈可能なニューラル フィルターを備えた畳み込みバイナリ ニューラル ネットワークと、動的に適用されるスパース性に基づくトレーニング戦略で構成されています。
合成データセットとオープンソースのペプチド データセットに対するアプローチの有効性と有用性を示します。
このエンドツーエンドの微分可能な方法の鍵は、ルールで使用される表現パターンがルール自体とともに学習されることです。

要約(オリジナル)

Discovering interpretable patterns for classification of sequential data is of key importance for a variety of fields, ranging from genomics to fraud detection or more generally interpretable decision-making. In this paper, we propose a novel differentiable fully interpretable method to discover both local and global patterns (i.e. catching a relative or absolute temporal dependency) for rule-based binary classification. It consists of a convolutional binary neural network with an interpretable neural filter and a training strategy based on dynamically-enforced sparsity. We demonstrate the validity and usefulness of the approach on synthetic datasets and on an open-source peptides dataset. Key to this end-to-end differentiable method is that the expressive patterns used in the rules are learned alongside the rules themselves.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google