研究者は、部分依存から導出された制約を適用することでニューラルネットワークの学習を誘導する手法を導入し、モデルの特定特徴に対する平均応答が既知の機能的ドメイン知識と一致するように保証します。

  • このアプローチは、説明誘導型学習におけるギャップを埋め、既存の相互作用を解釈するだけでなく、事前知識に忠実な説明を生み出すようにモデルを調整することで対応します。
  • 制約付きモデルは制約なしモデルを上回り、より高いデータ効率を示す動的システム予測など、回帰問題で実証されています。
  • 制約付きモデルからの解釈はユーザーが提供した知識と一致しますが、制約なしモデルからの解釈は一致しません。

この手法により、ドメインの専門知識を学習プロセスに直接組み込むことで、より解釈可能でデータ効率的なモデルの作成が可能になります。