Entschlüsselung der Merkmalsdarstellung von tiefen neuronalen Netzwerken für leistungsstarke KI

KI, die durch Deep Learning angetrieben wird, transformiert viele Aspekte von Wissenschaft und Technologie. Der enorme Erfolg von Deep Learning resultiert aus seiner einzigartigen Fähigkeit, wesentliche Merkmale aus Big Data für Entscheidungsfindungen zu extrahieren. Allerdings bleibt die Merkmalextraktion und die versteckten Darstellungen in tiefen neuronalen Netzwerken (DNNs) unerklärlich, hauptsächlich aufgrund des Mangels an technischen Werkzeugen, um die Merkmalsraumdaten zu verstehen und zu hinterfragen. Das Hauptproblem dabei ist, dass die Merkmalsdaten oft von Natur aus rauschbehaftet, in ihrer Struktur komplex und in Größe und Dimensionalität riesig sind, was es bestehenden Techniken unmöglich macht, die Daten zuverlässig zu analysieren. In dieser Arbeit entwickeln wir ein rechnerisches Framework namens kontrastive Merkmalsanalyse (CFA), um die Erkundung des DNN-Merkmalsraums zu erleichtern und die Leistung der KI zu verbessern. Durch die Nutzung der Interaktionsbeziehungen zwischen den Merkmalen und die Einbeziehung einer neuartigen datengestützten Kernbildungsstrategie in die Merkmalsanalyse-Pipeline mildert CFA die Einschränkungen traditioneller Ansätze und bietet eine dringend benötigte Lösung für die Analyse von Merkmalsraumdaten. Die Technik ermöglicht die Merkmalsdatenerkundung in unüberwachten, semi-überwachten und überwachten Formaten, um verschiedene Bedürfnisse der nachgelagerten Anwendungen zu adressieren. Das Potenzial von CFA und seine Anwendungen zur Beschnitt von Architekturen neuronaler Netzwerke werden anhand mehrerer hochmoderner Netzwerke und gut annotierter Datensätze aus verschiedenen Disziplinen demonstriert.