Feature Steering via Multi-Task Learning

Abstract

Ein Schlüsselfaktor für den Erfolg neuronaler Netze in verschiedenen Bereichen der künstlichen Intelligenz ist ihre Fähigkeit, automatisch Merkmale aus Daten zu extrahieren. Die Merkmale, auf die sie sich stützen, können sich jedoch von denen unterscheiden, die von Experten priorisiert werden, was zu Vertrauensproblemen und schlechter Generalisierung auf ungesehene Daten führt. Um diese Lücke zu schließen, schlagen wir einen allgemein anwendbaren Ansatz vor, der Netzwerke dazu anregt, von Experten identifizierte Merkmale zu nutzen. Unser Ansatz steuert das Training eines neuronalen Netzes mithilfe von Fehlersignalen aus Hilfsaufgaben, die die Ausprägung der gewünschten Merkmale direkt vorhersagen. Indem sichergestellt wird, dass diese Merkmale gelernt werden, wird auch die Wahrscheinlichkeit erhöht, dass sie die Entscheidungsfindung beeinflussen. Wir demonstrieren die Wirksamkeit dieses Ansatzes zur Beeinflussung eines schwierig zu extrahierenden Merkmals anhand eines neuartigen synthetischen Bilddatensatzes. Zusätzlich evaluieren wir die Beeinflussung von Merkmalen der ABCD-Regel zur Klassifikation von Hautläsionen. Unsere Ergebnisse zeigen, dass die Verwendung von Merkmalen effektiv beeinflusst werden kann, während die Performanz der ursprünglichen Aufgabe erhalten bleibt. Der Erfolg unseres Ansatzes hängt jedoch von der Nützlichkeit der gewünschten Merkmale in den spezifischen Trainingsdaten ab. Verschiedene Arten von Netzwerkarchitekturen können mit dem von uns vorgeschlagenen Ansatz beeinflusst werden, was zu robusteren und zuverlässigeren Modellen führt.