해석 가능한 인공지능 기반의 이미지 분류 정확도 향상 연구

Abstract

인공 지능은 데이터에 편향이 없다면, 인과 관계가 아닌 데이터 내의 패턴에 있어서 가장 높은 확률을 보여준다. 왜냐하면 대부분의 기계 학습 알고리즘은 데이터에 의존하고 있기 때문이다. 이 논문은 복잡성과 신뢰성 사이의 균형을 기반으로 인간의 해석 가능성을 다루는 것을 목표로 한다. 그러기 위해서, IML 또는 XAI 기술들 중에서 몇 가지 이론적 관점을 소개하고, 그 접근 방식의 이해를 바탕으로 실제 데이터 샘플을 사용하여 모델을 구현하고, 그 시각화 결과는 기계 학습 모델의 해석에서 일반화 오류에 대한 더 나은 이해를 제공함을 확인했다. 결과적으로 모델의 해석은 데이터에 잘못된 답이나 질문이 있는지 분석가의 편견을 명확히 하고, 전이 학습에 기반한 미세 조정의 근거를 제시한다.

Artificial Intelligence illustrate not the causality, but the highest probability of the pattern in data unless the data has a bias because many algorithms depend on the data. This paper aims to tackle human interpretability based on the trade-off between complexity and reliability. This study first emphasized several theoretical perspectives among IML methods taxonomy. Based on the comprehension of IML approaches, it highlighted the implementation of modeling using real data sample. The research results give better understanding of generalization error in the interpretation of Machine Learning. Consequently, the interpretation of a model is to clarify the bias of the analysts whether data has a wrong answer or question.