[3E1-GS-2] 機械学習: 説明可能AI (1)

[3E1-GS-2-02] 説明可能な論理規則のグラフ埋め込みによる学習

〇Phua Yin Jun^1,2、井上 克巳^1,2 (1. 総合研究大学院大学、2. 国立情報学研究所)

キーワード：解釈可能性、グラフ埋め込み、説明可能性、クラスタリング、論理プログラミング

機械学習手法が様々な分野に普及することにより，日常生活や科学分野など多くの場面で解釈可能なモデルが求められている．機械学習モデルを論理規則を用いて表現する方法がいくつか研究されているが，ニューラルネットワークが深層化することでこれらの方法は現実的には使えなくなってきている．機械学習で得られたモデルを複雑且つ冗長な論理規則で表されていても，解釈可能となったとは言え人間にとっては理解不能である．このような場合得られた解釈可能なモデルで説明責任を果たすことも難しく，新しい知識にすることもできない．本研究ではあらかじめ与えられた論理プログラムを対象に，グラフ埋め込み手法を用いて論理プログラム内のアトムをクラスタリングし，それを用いて簡略化する手法を提案する．さらに，実験を通して手法の有効性を示し，得られた論理プログラムが元よりも理解しやすくなっていることを示す．