【技术实现步骤摘要】
【国外来华专利技术】针对人工神经网络的相关性分数指派
本申请涉及人工神经网络的相关性分数指派。可以使用这种相关性分数指派,例如用于感兴趣区域(ROI)识别。
技术介绍
计算机程序能够成功地解决许多复杂的任务,例如图像和文本的自动分类或评估人的信誉。机器学习算法尤其成功,因为它们从数据中学习,即程序获得大的经过标记(或经过弱标记)的训练集,并且在某个训练阶段之后,它能够推广到新的未见过的示例。许多银行有对申请贷款的人的信誉进行分类(例如,基于年龄、地址、收入等)的系统。这种系统的主要缺点是可解释性,即系统通常不提供关于为什么以及如何作出决定的信息(例如为什么有人被归类为没有信誉)。确定分类决定的知识和关系是“隐含的”。理解和解释分类决定在许多应用中具有高价值,因为它使得能够验证系统的推理并向人类专家(例如,银行家、风险投资者或医生)提供额外的信息。在大多数情况下,机器学习方法的缺点是充当一个黑箱,而不提供关于什么使它们得出某一特定决定的任何信息。一般来说,复杂算法的性能比简单(线性)方法好得多(当有足够的训练数据可用时),但是它们尤其缺乏可解释性。最近,一种类型的分类器,即神经网络,变得非常受欢迎,并产生了出色的结果。这类方法由一系列非线性映射组成,特别难以解释。在典型的图像分类任务中,例如,可以给出图像(例如,鲨鱼的图像)。参见图15。机器学习(ML)算法900将图像902归类为属于某个类904(例如“鲨鱼的图像”)。请注意,事先定义了类集合906(例如鲨鱼、人、夜生活、户外)。算法900是个黑箱,因为它不会告诉用户为什么它作出关于图像属于“鲨鱼的图像”类的决定。关于像素级别 ...
【技术保护点】
一种用于将相关性分数指派给项目的集合的装置,所述相关性分数指示关于将由神经元(12)组成的人工神经网络(10)应用到项目(42)的集合(16)上以将项目(42)的集合(1 6)映射到网络输出(18)上的相关性,所述装置被配置为:通过将从网络输出(18)导出的初始相关性分数(R)反向传播通过人工神经网络(10)来将所述初始相关性分数(R)重新分布到项目(42)的集合(16)上,以获得每个项目的相关性分数,其中,所述装置被配置为通过以下方式执行所述反向传播:使得针对每个神经元,使用分布函数将相应神经元的下游邻居神经元集合的初步重新分布的相关性分数分布到该相应神经元的上游邻居神经元集合。
【技术特征摘要】
【国外来华专利技术】1.一种用于将相关性分数指派给项目的集合的装置,所述相关性分数指示关于将由神经元(12)组成的人工神经网络(10)应用到项目(42)的集合(16)上以将项目(42)的集合(16)映射到网络输出(18)上的相关性,所述装置被配置为:通过将从网络输出(18)导出的初始相关性分数(R)反向传播通过人工神经网络(10)来将所述初始相关性分数(R)重新分布到项目(42)的集合(16)上,以获得每个项目的相关性分数,其中,所述装置被配置为通过以下方式执行所述反向传播:使得针对每个神经元,使用分布函数将相应神经元的下游邻居神经元集合的初步重新分布的相关性分数分布到该相应神经元的上游邻居神经元集合。2.根据权利要求1所述的装置,其中,所述装置被配置为使得所述分布函数具有相关性守恒属性。3.根据权利要求1或2所述的装置,其中,所述装置被配置为通过对所述人工神经网络的所有神经元均等地使用一个分布函数来执行所述反向传播。4.根据权利要求1至3中任一项所述的装置,其中,所述装置被配置为使得所述分布函数是如下项的函数:人工神经网络的权重,其确定所述相应神经元受所述相应神经元的上游邻居神经元集合影响的程度,上游邻居神经元集合的神经元激活,其在将人工神经网络(10)应用于项目(42)的集合(16)上时表现自身;以及所述相应神经元的下游邻居神经元集合的初步重新分布的相关性分数的和。5.根据权利要求1至4中任一项所述的装置,其中,所述装置被配置为使得对于每个神经元j,给出多少相关性被重新分布为从相应神经元j到上游邻居神经元i的相关性消息Rij的分布函数是Rij=q(i)·m({Rjk,k是j的下游邻居神经元})其中,是其所有分量的单调递增函数并且给出相应神经元j的初步重新分布的相关性分数Rj=m({Rjk,k是j的下游神经元}),其中K是所述相应神经元j的下游邻居的数目,q(i)是取决于如下因素的函数:将上游邻居神经元i连接到所述相应神经元j的权重wij、由于将人工神经网络(10)应用于项目(42)的集合(16)上得到的所述相应神经元j的上游邻居神经元i的激活xi、以及神经元j的可能的零值偏置项bj。6.根据权利要求5所述的装置,其中,m({Rjk,k是j的下游神经元})=∑kRjk。7.根据权利要求5或6所述的装置,其中,所述装置被配置为使得所述函数q(i)是通过函数s计算的加权激活zij=s(xi,wij,bj)的函数p,从而q(i)=p({zij|i是j的上游邻居神经元})。8.根据权利要求7的装置,其中,函数s被选择成使得所述加权激活zij为:zij=xiwij,或其中,I是神经元j的上游邻居神经元i的数目。9.根据权利要求5至8中任一项所述的装置,其中,所述装置被配置为使得对于满足Rj>0的每个神经元j,所述函数q(i)满足排序属性,在下列情况下满足所述排序属性:a)如果∑izij>0,则对于神经元j的上游邻居神经元中使得的全部i1和i2,q(i1)≤q(i2)成立;b)或者,对于神经元j的上游邻居神经元中使得且且的全部i1和i2,0≤q(i1)≤q(i2)成立。10.根据权利要求5至8中任一项所述的装置,其中,所述装置被配置为使得所述函数q(i)满足排序属性,在下述情况下满足所述排序属性:对于神经元j的上游邻居神经元中使得的全部i1和i2,|q(i1)|≤|q(i2)|成立,其中,函数g(·)的最小值为零并且在区间(-∞,0)上单调递减,在区间(0,+∞)上单调递增。11.根据权利要求10所述的装置,其中,所述装置被配置为使得所述函数g(·)如下:g(z)=αmax(0,z)-βmin(0,z),其中α>0,β≥012.根据权利要求5至11中任一项所述的装置,其中,所述装置被配置为使得所述函数q(i)继承或与神经元的神经网络功能的泰勒分解成比例。13.根据权利要求5至11中任一项所述的装置,其中,所述装置被配置为使得所述相关性消息Rij与从数据中获得并将神经元j的上游邻居i的激活xi映射到值m({Rjk,k是j的下游神经元})的函数的所述泰勒分解成比例,至多存在近似误差。14.根据权利要求1至13中任一项所述的装置,其中,所述装置被配置为使得所述分布函数是或者其中,n是相应神经元j的上游邻居神经元的数目,Rij是从相应神经元j重新分布到上游邻居神经元i的相关性消息,Rjk是从下游邻居神经元k重新分布到相应神经元j的相关性消息,xi是在将神经网络应用到项目(42)的集合(16)上期间上游邻居神经元i的激活,ωij是将上游邻居神经元i连接到相应神经元j的权重,wrj也是将上游邻居神经元r连接到相应神经元j的权重,而bj是相应神经元j的偏置项,以及h()是标量函数,并且其中,是其所有分量的单调递增函数并且给出相应神经元j的初步重新分布的相关性分数Rj=m({Rjk,k是j的下游神经元}),其中K是所述相应神经元j的下游邻居的数目。15.根据权利要求1至13中任一项所述的装置,其中,所述装置被配置为使得使用分布函数来执行到所述相应神经元j的上游邻居神经元i的集合上的分布,其中,所述分布函数是或者其中(z)+=max(0,z),(z)-=min(0,z),n是所述相应神经元的上游邻居神经元的数目,Rij是从相应神经元j重新分布到所述上游邻居神经元i的相关性消息,而Rjk是从下游邻居神经元k重新分布到相应神经元j的相关性消息,xi是在将神经网络应用到项目(42)的集合(16)上期间上游邻居神经元i的激活,ωij是将上游邻居神经元i连接到相应神经元j的权重,wrj也是将上游邻居神经元r连接到相应神经元j的权重,而bj是相应神经元j的偏置项,以及h()是标量函数,以及α>0,β≥0,α-β=1,并且其中,是其所有分量的单调递增函数并且给出相应神经元j的初步重新分布的相关性分数Rj=m({Rjk,k是j的下游神经元}),其中K是相应神经元j的下游邻居的数目。16.根据权利要求14或1...
【专利技术属性】
技术研发人员:塞巴斯蒂安·巴赫,沃耶西·萨梅克,克劳斯罗伯特·穆勒,亚历山大·宾德,格雷格里·蒙塔翁,
申请(专利权)人:弗劳恩霍夫应用研究促进协会,柏林技术大学,
类型:发明
国别省市:德国,DE
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。