Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
説明可能性と性能を両立させる深層学習の試み
Search
Henry Cui
October 23, 2021
Technology
0
140
説明可能性と性能を両立させる深層学習の試み
Henry Cui
October 23, 2021
Tweet
Share
More Decks by Henry Cui
See All by Henry Cui
Direct Preference Optimization
zchenry
0
110
Diffusion Model with Perceptual Loss
zchenry
0
61
レンズの下のLLM / LLM under the Lens
zchenry
0
88
Go with the Prompt Flow
zchenry
0
94
Mojo Dojo
zchenry
1
130
ことのはの力で画像の異常検知 / Anomaly Detection by Language
zchenry
0
150
驚愕の事実!LangChainが抱える問題 / Problems of LangChain
zchenry
0
110
MLOps初心者がMLflowを触る / MLflow Brief Introduction
zchenry
0
57
{{guidance}}のガイダンス / Guidance of guidance
zchenry
0
100
Other Decks in Technology
See All in Technology
.NETの非同期戦略とUnityとの相互運用
neuecc
2
2.4k
GitHub最新情報キャッチアップ 2024年3月
dzeyelid
16
3.2k
業務で使えるかもしれない…!?GitHub Actions の Tips 集 / CI/CD Test Night #7
ponkio_o
PRO
23
6.9k
TypeScript Quiz (Encraft #12 Frontend Quiz Night)
uhyo
2
240
オーティファイ会社紹介資料 / Autify Company Deck
autifyhq
7
100k
やっていきテスト
k6s4i53rx
0
160
Cloud Friendly(?) Jenkins. How we failed to make Jenkins cloud native and what we learned?
onenashev
PRO
0
110
単回帰分析について数式を追いながら実装してみた
kentaitakura
0
500
LLMプロダクト事業の立ち上げにおける挑戦
layerx
PRO
7
1.4k
長文から長文を生成するLLMツールをオープンソースで作ってみた。
tomohisa
2
140
Getting started with controlling LEGO using Swift
hcrane
0
130
10分でわかるfreeeのQA
freee
0
220
Featured
See All Featured
jQuery: Nuts, Bolts and Bling
dougneiner
57
7.1k
Unsuck your backbone
ammeep
660
56k
Build your cross-platform service in a week with App Engine
jlugia
223
17k
Writing Fast Ruby
sferik
619
59k
Raft: Consensus for Rubyists
vanstee
130
6.2k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
14
1.3k
Git: the NoSQL Database
bkeepers
PRO
421
63k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
67
38k
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
111
35k
Fontdeck: Realign not Redesign
paulrobertlloyd
75
4.8k
Intergalactic Javascript Robots from Outer Space
tanoku
266
26k
The Mythical Team-Month
searls
214
42k
Transcript
説明可能性と性能を両立させる 深層学習の試み Henry Cui 機械学習の社会実装勉強会 2021年10月23日
自己紹介 ▪ 2017年 東京大学理学部情報科学科 学士 ▪ 2019年 同大学大学院情報理工学系研究科 修士 ▪ 現在 同研究科 博士課程 ▪ 研究テーマ
• 弱教師付き学習・能動学習・相対比較データ ▪ 趣味テーマ • 物体検出・説明可能性・因果推論 • 画像処理・音声処理一般 ▪ 更に趣味 • Ruby on Rails, React, NextJS 2
説明可能性 ▪ 機械学習モデルは意思決定に使う • 原料価格予測モデル → 入荷数量・タイミング • 人にまつわる予測モデル →
その人の人生に大きな影響の決定 • ... ▪ 予測出す同時に、説明も聞いて納得して判断下す 3 Statistical Modeling: The Two Cultures, Breiman, Statistical Science, 2001, Vol. 16, No. 3, 199–231
事後局所近似で説明 ▪ 既知 • 深層モデルは性能が良いが、 説明できない • 線形モデルは性能が悪いが、 説明しやすい ▪
両方のいいところを • 深層モデルで性能の良い予測 • 予測の近傍で線形モデルでわ かりやすく解釈 ▪ これでいいのか 4 "Why Should I Trust You?": Explaining the Predictions of Any Classifier, Riberiro et al., ACM SIGKDD 2016
これではだめかも ▪ 代理モデルの説明が完全正解でしたら、元のモデルを代替で きるはず ▪ 性能と説明可能性が両立できないは迷信? 5 Stop explaining black
box machine learning models for high stakes decisions and use interpretable models instead, Rudin, Nat Mach Intell 1, 206–215 (2019)
次の方向 ▪ 両立した深層モデルを作りましょう ▪ 深層モデルが説明できる予測を出すためには • 線形モデルのように、特徴量の連結になる • 特徴量は説明できる •
連結も説明できる ▪ 初歩的に画像認識のタスクでのアイデア • 画像に写っているモノの分類タスク • 可視化できる特徴量による線形結合 ▪ モノのパーツを特徴量に ▪ 例:鳥の分類で、鳥の頭・足・翼のパッチ画像を特徴量に 6
内容 ▪ モチベーション ▪ ProtoPNet ▪ Concept Bottleneck Models 7
▪ NeurIPS 2019 ▪ 自然な論理過程に従ったモデルアーキテクチャを提案 8
モデルアーキテクチャ ▪ 明示的に3つに分けた構造 9
学習方法 1. Prototypes 及び 最終層以外の学習 • 従来の分類ロスに Prototype のためのロス 2.
Prototypes の更新 • Prototypes を可視化可能なパッチに更新 • 適切な仮定下で、この更新はモデルの予測に影響しない 3. 最終層の学習 • 凸最適化問題として解く • Sparsity の正規化でテスト時より自然な説明ができる 10
実験結果 ▪ 良い分類性能を保ちつつ、説明可能 11
内容 ▪ モチベーション ▪ ProtoPNet ▪ Concept Bottleneck Models 12
▪ ICML 2020 • https://slideslive.com/38928546/concept-bottleneck-models ▪ 説明可能 + 介入によるモデル変更可能 13
特徴 ▪ 学習時に concept ラベルが必要 ▪ Concept 層を介して二部のモデルに分ける • 学習時の順番を変えられる
▪ 高効率で高性能 14
▪ Concept に明らかな間違いがあるときに、結果修正 テスト時に介入できる 15
まとめ ▪ 説明可能性は大事 ▪ 局所近似による説明はおかしいかも ▪ 説明可能性と性能は両立できるかも ▪ 両立させた深層モデル •
ProtoNet・Concept Bottleneck Models 16