یادگیری آنلاین الگوهای مثبت و منفی به همراه توضیح پذیری مبتنی بر بسط هسته

مسئله طبقه بندی همچنان جزو مسائل مورد بحث خیلی از مقالات روز می باشد. اغلب مدل های ارائه شده در مقالات، از عدم توضیح دلیلی قابل درک برای انسان رنج می برند. یکی از روش های ایجاد توضیح پذیری، تفکیک وزن های شبکه به دو بخش مثبت و منفی مبتنی بر الگو می باشد. بخش مثبت نمایانگر وزن های مربوط به کلاس درست و بخش منفی نمایانگر وزن هایی که به اشتباه به کلاس مذکور نسبت داده شده اند. به این شبکه، شبکه ی WTA مبتنی بر فاصله اقلیدسی مثبت و منفی یا  ED-WTA± گفته می شود. در این مقاله با استفاده از بسط هسته علاوه بر دست یابی به توضیح پذیری محلی، دقت بالاتری به نسبت مقاله ی موجود به واسطه ی مدل سازی غیرخطی کسب شده است. روش هایی در این مقاله به منظور بهبود فضای زمانی و فضای الگوریتم ارائه خواهد شد. همچنین از روش نیستروم برای تقریب هسته به منظور مقیاس پذیر شدن الگوریتم در برابر مجموعه دادگان حجیم استفاده شده است. با استفاده از این شبکه تک لایه در مجموعه دادگان MNIST دقت ۹۸.۰۱% بر روی دادگان آزمون کسب شده است و با استفاده از بسط هسته دلایل استدلال را نیز به خوبی با دادگان ورودی شرح می دهد. همچنین توضیح پذیری بر روی مجموعه دادگان FERET دو کلاسه بررسی شده است.

کلیدواژه ها:

Kernel methods ، explainability ، prototype-based learning ، روش های هسته ، توضیح پذیری ، یادگیری مبتنی بر الگو