"기계 학습 유비 쿼터 스 되 고 더 심각한 결과와 응용 프로그램에 사용 됩니다, 어떻게 그것을 예측 그래서 그들은 그것 보다 더 많은 광고를 제공 하 고 그것을 믿어 거 야 이해 하는 사람들에 대 한 필요" 말한다 조나단 수는 MIT 링컨 연구소의 정보 및 의사 결정 지원 그룹에 기술적인 직원의 회원.
현재, 연구원은 포스트 hoc 기법 또는 사용할 결정 트리와 같은 해석할 모델 블랙 박스 모델 결론을 도달 하는 방법을 설명 하는 것. 포스트 hoc 기법, 연구자는 알고리즘의 입력 및 출력 살펴보고 블랙 박스 안에 무슨 일이 있었는지에 대 한 대략적인 설명을 구성 하려고. 이 방법으로 문제는 연구원 내부 동작에만 추측할 수 설명 종종 잘못 될 수 있습니다. 선택과 그들의 잠재적인 결과 트리 모양의 구조에 매핑되는 의사 결정 트리, 그 특징은 의미 있는, 범주 데이터에 대 한 잘 작동 하지만이 나무는 컴퓨터 비전 등 다른 복잡 한 중요 한 도메인에서 해석할 데이터 문제입니다.
신경 네트워크는 많은 상호 처리 요소의 구성 컴퓨팅 시스템. 이러한 네트워크는 일반적으로 이미지 분석 및 개체 인식에 사용 됩니다. 예를 들어, 알고리즘 배울 수 있다 인식 사진 개 포함 여부를 처음으로 강아지의 사진을 표시 되 고. 연구팀은 말이 신경망에 대 한 문제는 그들의 기능은 비선형 고 재귀, 복잡 하 고 혼란에 인간, 그리고 최종 결과 내에서 정확 하 게 네트워크 "dogness"으로 정의 정확 하 게 어렵다는 것 이다 사진 및 무엇 그 결론에 지도 했다.
이 문제를 해결 하기 위해 팀 개발 "프로토 타입 신경 네트워크" 부르는 이 전통적인 신경 네트워크에서 다른 그들은 자연스럽 게 특히 대표적인 부분 입력된 이미지의 프로토 타입을 작성 하 여 각 그들의 예측에 대 한 설명을 인코딩. 이러한 네트워크는 각 프로토 타입을 입력된 이미지의 부분의 유사성에 따라 그들의 예측을 확인 합니다.
다른 지역 연구팀 조사 표 형식 데이터에 적합 하 고 종종 다른 모델 만큼 정확 덜 복잡, 일방적인 의사 결정 트리는 BRLs 이다. BRLs 시퀀스 자연스럽 게 해석할 모델을 형성 하는 조건문의 만들어집니다. 예를 들어 혈압이 높은 경우, 다음 심장 질환의 위험이 높습니다. Su와 동료 사용 하는 BRLs의 속성 사용자가 예측에 대 한 중요 한 기능을 나타냅니다. 그들은 또한 새로운 데이터 도착 적 성장 데이터 집합에 처음부터 recalibrated 보다는 때에 즉시 적용할 수 있습니다 대화형 BRLs 개발.
수 설명 합니다: "우리 실험실에 대 한 새로운 전략적 능력 구축을 바라고 있어-기계 학습 알고리즘을 사람들 신뢰를 그들은 그들을 이해 하기 때문에."





