부분 의존성에 기반한 해석 가능한 제약 조건을 통한 신경망 학습 유도

연구자들은 부분 의존성에서 유도된 제약 조건을 적용하여 신경망 학습을 유도하는 방법을 소개했으며, 이는 모델의 특정 기능에 대한 평균 응답이 알려진 기능적 도메인 지식과 일치하도록 보장합니다.

• 이 접근 방식은 기존 상호작용을 해석하는 것뿐만 아니라 사전 지식에 충실한 설명을 생성하도록 모델을 조정함으로써 설명 기반 학습의 격차를 해소합니다.
• 제약 조건 모델은 비제약 조건 모델보다 우수한 성능을 보이며 더 높은 데이터 효율성을 나타내는 동적 시스템 예측을 포함한 회귀 문제에서 입증되었습니다.
• 제약 조건 모델에서의 해석은 사용자가 제공한 지식과 일치하는 반면, 비제약 조건 모델의 해석은 일치하지 않습니다.

이 방법은 학습 과정에 도메인 전문 지식을 직접 통합하여 더 해석 가능하고 데이터 효율적인 모델을 생성할 수 있게 합니다.