يادگيري آنلاين الگوهاي مثبت و منفي به همراه توضيح‌پذيري مبتني بر بسط هسته

مسئله طبقه‌بندي همچنان جزو مسائل مورد بحث خيلي از مقالات روز مي‌باشد. اغلب مدل‌هاي ارائه شده در مقالات، از عدم توضيح‌ دليلي قابل درك براي انسان رنج مي‌برند. يكي از روش‌هاي ايجاد توضيح‌پذيري، تفكيك وزن‌هاي شبكه به دو بخش مثبت و منفي مبتني بر الگو مي‌باشد. بخش مثبت نمايانگر وزن‌هاي مربوط به كلاس درست و بخش منفي نمايانگر وزن‌هايي كه به اشتباه به كلاس مذكور نسبت داده شده‌اند. به اين شبكه، شبكه‌ي WTA مبتني بر فاصله اقليدسي مثبت و منفي يا  ED-WTA± گفته مي‌شود. در اين مقاله با استفاده از بسط هسته علاوه بر دست‌يابي به توضيح‌پذيري محلي، دقت بالاتري به نسبت مقاله‌ي موجود به واسطه‌ي مدل سازي غيرخطي كسب شده است. روش‌هايي در اين مقاله به منظور بهبود فضاي زماني و فضاي الگوريتم ارائه خواهد شد. همچنين از روش نيستروم براي تقريب هسته به منظور مقياس پذير شدن الگوريتم در برابر مجموعه‌دادگان حجيم استفاده شده است. با استفاده از اين شبكه تك‌لايه در مجموعه دادگان MNIST دقت 98.01% بر روي دادگان آزمون كسب شده است و با استفاده از بسط هسته دلايل استدلال را نيز به خوبي با دادگان ورودي شرح مي‌دهد. همچنين توضيح‌پذيري بر روي مجموعه دادگان FERET دو كلاسه بررسي شده است.