تعلم الخصائص المحلية المتقطعة في شبكات العصبونات التلافيفية المصممة لتكون قابلة للشرح

يحاول الإطار المقترح لدينا كسر التوازن بين الأداء والقابلية للشرح من خلال تقديم شبكة عصبية تلافيفية قابلة للشرح بتصميم (CNN) تعتمد على آلية التثبيط الجانبي. يتكون نموذج ExplaiNet من المتنبئ، وهو شبكة عصبية تلافيفية ذات دقة عالية مع اتصالات تخطي متبقية أو كثيفة، ومن الرسم البياني الاحتمالي الذي يعبر عن التفاعلات المكانية لخلايا الشبكة العصبية. القيمة في كل عقدة من عقد الرسم البياني هي متجه خاص بالخصائص المتقطعة المحلية (LDF)، وهو وصف لشريحة تمثل مؤشرات الخلايا المعادية مرتبة حسب قوة تنشيطها، والتي يتم تعلمها باستخدام الانحدار التدرجي. باستخدام LDFs كسلسلات، يمكننا زيادة موجزية الشرح بإعادة استخدام EXTREME، وهي طريقة اكتشاف سلسلة النمط المستندة إلى EM التي تُستخدم عادةً في علم الأحياء الجزيئي. وجود مصفوفة نمط خاص بالخصائص المتقطعة لكل واحدة من التمثيلات الوسيطة للصورة، بدلاً من موتر التنشيط المستمر، يتيح لنا الاستفادة من القابلية للشرح الذاتية للمستويات البيزية. جمع الملاحظات وحساب الاحتمالات مباشرة يسمحان لنا بشرح العلاقات السببية بين نماذج المستويات المجاورة وربط إخراج النموذج بالنماذج العالمية. بالإضافة إلى ذلك، تؤكد التجارب على مجموعة متنوعة من قواعد بيانات الصور المصغرة أن متنبئنا يضمن نفس مستوى الأداء مثل الهندسة الأساسية لمجموعة معينة من المعلمات و/أو الطبقات. يظهر أسلوبنا الجديد وعدًا بتجاوز هذا الأداء مع توفير تيار إضافي من الشرح. في مهمة تصنيف MNIST التي تم حلها، يصل إلى أداء مشابه لأحدث التقنيات للأطراف الفردية باستخدام إعداد التدريب القياسي ومليونين و750 ألف معلمة.