説明可能性と性能を両立させる深層学習の試み

Transcript

1. 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
2. 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
3. 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
4. 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
5. 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)
6. 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
7. 内容 ▪ モチベーション ▪ ProtoPNet ▪ Concept Bottleneck Models 7
8. ▪ 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
9. モデルアーキテクチャ ▪ 明示的に３つに分けた構造 9
10. 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
11. 実験結果 ▪ 良い分類性能を保ちつつ、説明可能 11
12. 内容 ▪ モチベーション ▪ ProtoPNet ▪ Concept Bottleneck Models 12
13. ▪ 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
14. 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
15. ▪ 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
16. 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