Publication Details:
Լույս է տեսնում 1948 թվականից՝ տարին 4 անգամ։
Journal or Publication Title:
Date of publication:
Volume:
Number:
ISSN:
Official URL:
Additional Information:
Хачатрян Г. А., Карамян Д. С., Карамян Т. С., Khachatryan H. H., Qaramyan D. S., Qaramyan T. S.
Title:
Ռեկուրենտ նեյրոնային ցանցերի որոշումների բացատրությունը պատկերավորման միջոցով
Other title:
Объяснение решений рекуррентных нейронных сетей через визуализацию ; Explaining decisions of recurrent neural networks through visualization
Creator:
Խաչատրյան, Հ. Հ. ; Քարամյան, Դ. Ս. ; Քարամյան, Տ. Ս.
Contributor(s):
Պատ․ խմբ․՝ Ա․ Գ․ Նազարով (1957-1964) ; Մ․ Վ․ Կասյան (1964-1988) ; Ռ․ Մ․ Մարտիրոսյան (1989-2017 ) ; Գլխավոր խմբ․՝ Վ․ Շ․ Մելիքյան (2018-)
Subject:
Uncontrolled Keywords:
ռեկուրենտ նեյրոնային ցանցեր ; գրադիենտային հիմքով պատկերավորում ; կարևորության հետընթաց մակարդակային շարժմամբ պատկերավորում ; ժամանակային շարքեր
Coverage:
Abstract:
Ժամանակակից նեյրոնային ցանցերն ունակ են մոտարկելու բարդ ֆունկցիաներ, ինչի հետևանքով դրանք բարձր արդյունավետությամբ աշխատում են պատկերների ճանաչման, բնական լեզուների մշակման (NLP) մի շարք խնդիրների լուծման դեպքում: Չնայած դրան, այնքան էլ պարզ չէ, թե ինչի հիման վրա են նեյրոնային ցանցերը կատարում իրենց կանխատեսումները։ Մասնավորապես, խնդիր է դրվում՝ հասկանալու, թե մուտքի որ նկարագրերին (features) նայելով է ցանցը կայացնում իր որոշումը։ Բժշկության մեջ ցանցերի կանխատեսումները ոչ միայն պետք է լինեն ճշգրիտ, այլև պետք է ունենան հիմնավորումներ։ Օրինակ, երբ նեյրոնային ցանցը կանխատեսել է հիվանդության առկայությունը, անհրաժեշտ է հասկանալ, թե մուտքային որ տվյալներն են մեծ դեր խաղացել այդ որոշման մեջ։ Современные нейронные сети могут аппроксимировать любую сложную функцию. Поэтому они могут с высокой эффективностью работать в задачах распознавания образов, обработки естественного языка и др. При этом неясно, каким образом нейронные сети осуществляют прогнозирование. Для этого необходимо понять, какие входные данные играют важную роль в принятии решений. В медицинской сфере важное значение имеет интерпретируемость нейронных сетей. Например, если нейронная сеть прогнозирует, что у человека имеется какое-то заболевание, то необходимо выяснить, какие входные характеристики оказывают большое влияние на прогноз. Neural Networks can approximate any complex function, so they work very well in many tasks such as computer vision, natural language processing, etc. Despite their performance, it is unclear, how neural networks incorporate with input features and make decisions. In particular, we need to understand which input feature plays an important role in the decision-making process. In medicine, the interpretability of neural nets is very important. For instance, when NN predicts that a person has some disease, it is necessary to understand which input features have a great impact on the prediction.
Place of publishing:
Երևան
Publisher:
Type:
Format:
Call number:
Digitization:
ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան