JP7589804B2

JP7589804B2 - 情報処理装置、変換方法およびプログラム

Info

Publication number: JP7589804B2
Application number: JP2023515972A
Authority: JP
Inventors: 尭之三浦; 聡長谷川
Original assignee: Nippon Telegraph and Telephone Corp; NTT Inc USA
Current assignee: NTT Inc; NTT Inc USA
Priority date: 2021-04-22
Filing date: 2021-04-22
Publication date: 2024-11-26
Anticipated expiration: 2041-04-22
Also published as: US20240256969A1; WO2022224401A1; JPWO2022224401A1

Description

本発明は、情報処理装置、変換方法およびプログラムに関する。

深層学習などの機械学習は様々な分野で活用されているが、計算過程が複雑であるため人間が理解するのが難しいという問題がある。そのため近年は機械学習の解釈性に関する取組みが盛んに行われている。

画像分類などを行う深層学習モデルの説明には、その分類上重要だったピクセルをハイライトする「勾配ベースの説明」が用いられることが多い。勾配ベースの説明を行う技術として、ＶａｎｉｌｌａＧｒａｄｉｅｎｔ（ＶＧ）（非特許文献１）やＩｎｔｅｇｒａｔｅｄＧｒａｄｉｅｎｔ（ＩＧ）（非特許文献２）などが開示されている。

Karen Simonyan, Andrea Vedaldi, and Andrew Zisserman. Deep inside convolutional networks:Visualising image classification models and saliency maps. arXiv preprint arXiv:1312.6034, 2013 Mukund Sundararajan, Ankur Taly, and Qiqi Yan. Axiomatic attribution for deep networks. In International Conference on Machine Learning, pp. 3319-3328. PMLR, 2017

ＩＧ（第一の説明データ）とＶＧ（第二の説明データ）を比較すると、ＩＧの方が全体的な説明能力は優れているが、ＶＧの方がシンプルな情報であるため、訓練済みモデルのモデルエクストラクション耐性の評価やデータフリーな知識蒸留（モデル圧縮技術の一種）においては利用価値が高い。そのため、ＩＧによる説明がついた機械学習モデルの説明をＶＧに変換できるとモデルの利用者にとって便利であるが、従来、そのような技術はなかった。

開示の技術は、機械学習モデルの説明として付与された第一の説明データを第二の説明データに変換することを目的とする。

開示の技術は、機械学習モデルの推定結果を示す推定結果データと、前記推定結果を説明するための第一の説明データと、を取得する推定結果取得部と、前記推定結果データに基づいて、前記第一の説明データを第二の説明データに変換する説明データ変換部と、を備え、前記説明データ変換部は、前記推定結果データがバイアス項を含むか否かを判定し、前記バイアス項を含む場合には、前記第一の説明データを、摂動を含む前記第二の説明データに変換する、情報処理装置である。

機械学習モデルの説明として付与された第一の説明データを第二の説明データに変換することができる。

説明変換システムの機能構成図である。説明変換処理のアルゴリズムの一例を示す図である。説明変換処理の流れの一例を示すフローチャートである。情報処理装置のハードウェア構成例を示す図である。

以下、図面を参照して本発明の実施の形態（本実施の形態）について説明する。以下で説明する実施の形態は一例に過ぎず、本発明が適用される実施の形態は、以下の実施の形態に限られるわけではない。

本実施の形態に係る説明変換システム１は、情報処理装置１０とサーバ装置２０と、を備える。情報処理装置１０とサーバ装置２０とは、通信線などを介して通信可能に接続されている。

情報処理装置１０は、サーバ装置２０にクエリデータを送信する。サーバ装置２０は、受信したクエリデータに基づいて推定処理を実行し、推定結果データと第一の説明データを情報処理装置１０に送信する。情報処理装置１０は、受信した第一の説明データを第二の説明データに変換して出力する。

第一の説明データは、ＩｎｔｅｇｒａｔｅｄＧｒａｄｉｅｎｔ（ＩＧ）（非特許文献２）によって推定結果データに付与された説明データである。また、第二の説明データは、ＶａｎｉｌｌａＧｒａｄｉｅｎｔ（ＶＧ）（非特許文献１）によって推定結果データに付与された説明データである。

情報処理装置１０は、クエリ送信部１１と、推定結果取得部１２と、説明データ変換部１３と、出力部１４と、を備える。

クエリ送信部１１は、ユーザの操作等に応じて、クエリデータをサーバ装置２０に送信する。推定結果取得部１２は、サーバ装置２０から推定結果データと第一の説明データとを取得する。説明データ変換部１３は、第一の説明データを第二の説明データに変換する。

出力部１４は、変換された第二の説明データを出力する。具体的には、出力部１４は、第二の説明データを示す画像を画面に表示するか、または第二の説明データを他の機器等に送信する。

サーバ装置２０は、クエリ取得部２１と、推定部２２と、推定結果出力部２３と、深層学習モデル２４と、を備える。

クエリ取得部２１は、情報処理装置１０からクエリデータを取得する。推定部２２は、深層学習モデル２４を用いて、クエリデータに対する推定処理を実行する。ここで、推定部２２は、ＩＧによって推定結果データに第一の説明データを付与する。推定結果出力部２３は、推定結果データと第一の説明データとを情報処理装置１０に出力する。

深層学習モデル２４は、機械学習モデルの一例である。深層学習モデル２４は、例えば、活性化関数がＲｅＬＵ（Rectified Linear Unit）であるニューラルネットワークであるが、これに限られない。

（情報処理装置の動作）
図２は、説明変換処理のアルゴリズムの一例を示す図である。情報処理装置１０は、説明データ変換部１３において、図２に示すアルゴリズムを用いて、第一の説明データを第二の説明データに変換する。

図３は、説明変換処理の流れの一例を示すフローチャートである。

図３は、図２に示すアルゴリズムを用いた処理の流れを示すフローチャートである。情報処理装置１０のクエリ取得部２１は、ユーザの操作等を受けると、クエリデータを送信する（ステップＳ１０１）。

入力されるクエリデータは、

である。

次に、推定結果取得部１２は、推定結果データおよび第一の説明データを取得する（ステップＳ１０２）。推定結果データ（ｆ）と、第一の説明データ（ＩＧ）は、

として表される。

次に、説明データ変換部１３は、推定結果データ（ｆ）にバイアス項が含まれるか否かを判定する（ステップＳ１０３）。説明データ変換部１３は、推定結果データ（ｆ）にバイアス項が含まれると判定すると（ステップＳ１０３：Ｙｅｓ）、以下のように第二の説明データ（ａｎｓ）を算出する（ステップＳ１０４）。

ｇ_１＝ＩＧ（ｘ）
ｘ＝ｘ＋ε
ｇ２＝ＩＧ（ｘ）
ａｎｓ＝（ｇ２－ｇ１）／ε

ここで、εは、十分小さい摂動であって、

と表される。

また、説明データ変換部１３は、推定結果データ（ｆ）にバイアス項が含まれないと判定すると（ステップＳ１０３：Ｎｏ）、ｘにゼロ成分が含まれるか否かを判定する（ステップＳ１０５）。

説明データ変換部１３は、ｘにゼロ成分が含まれないと判定すると（ステップＳ１０５：Ｎｏ）、以下のように第二の説明データ（ａｎｓ）を算出する（ステップＳ１０６）。

ａｎｓ＝ＩＧ（ｘ）
ａｎｓ＝ａｎｓ／ｘ

また、説明データ変換部１３は、ｘにゼロ成分が含まれると判定すると（ステップＳ１０５：Ｙｅｓ）、以下のように第二の説明データ（ａｎｓ）を算出する（ステップＳ１０７）。

ｘ＝ｘ＋ε
ａｎｓ＝ＩＧ（ｘ）
ａｎｓ＝ａｎｓ／ｘ

ステップＳ１０４、Ｓ１０６またはＳ１０７に続いて、出力部１４は、算出されたａｎｓを出力する（ステップＳ１０８）。

深層学習モデル２４が、例えば活性化関数がＲｅＬＵであるニューラルネットワークである場合、局所線形性を有する。したがって、ｆにバイアス項がない場合は、ＩＧとＶＧとの関係は、以下のようになる。

また、ｆにバイアス項がある場合は、ＩＧとＶＧとの関係は、十分小さいベクトルεによって、

と表される。

上述した説明変換処理は、このような特徴を利用した処理である。説明変換処理の結果として出力される第二の説明データ（ＶＧ）は、以下、表１の通りとなる。

（本実施の形態に係るハードウェア構成例）
情報処理装置１０は、例えば、コンピュータに、本実施の形態で説明する処理内容を記述したプログラムを実行させることにより実現可能である。なお、この「コンピュータ」は、物理マシンであってもよいし、クラウド上の仮想マシンであってもよい。仮想マシンを使用する場合、ここで説明する「ハードウェア」は仮想的なハードウェアである。

上記プログラムは、コンピュータが読み取り可能な記録媒体（可搬メモリ等）に記録して、保存したり、配布したりすることが可能である。また、上記プログラムをインターネットや電子メール等、ネットワークを通して提供することも可能である。

図４は、上記コンピュータのハードウェア構成例を示す図である。図４のコンピュータは、それぞれバスＢで相互に接続されているドライブ装置１０００、補助記憶装置１００２、メモリ装置１００３、ＣＰＵ１００４、インタフェース装置１００５、表示装置１００６、入力装置１００７、出力装置１００８等を有する。

当該コンピュータでの処理を実現するプログラムは、例えば、ＣＤ－ＲＯＭ又はメモリカード等の記録媒体１００１によって提供される。プログラムを記憶した記録媒体１００１がドライブ装置１０００にセットされると、プログラムが記録媒体１００１からドライブ装置１０００を介して補助記憶装置１００２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１００１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１００２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。

メモリ装置１００３は、プログラムの起動指示があった場合に、補助記憶装置１００２からプログラムを読み出して格納する。ＣＰＵ１００４は、メモリ装置１００３に格納されたプログラムに従って、当該装置に係る機能を実現する。インタフェース装置１００５は、ネットワークに接続するためのインタフェースとして用いられる。表示装置１００６はプログラムによるＧＵＩ（ＧｒａｐｈｉｃａｌＵｓｅｒＩｎｔｅｒｆａｃｅ）等を表示する。入力装置１００７はキーボード及びマウス、ボタン、又はタッチパネル等で構成され、様々な操作指示を入力させるために用いられる。出力装置１００８は演算結果を出力する。

本実施の形態に係る情報処理装置１０によれば、第一の説明データを第二の説明データに変換する。これによって、ユーザは、第一の説明データと第二の説明データとを比較しながら、またはいずれかの適切な説明データによって、機械学習モデルの挙動を考察することができる。

（実施の形態のまとめ）
本明細書には、少なくとも下記の各項に記載した情報処理装置、変換方法およびプログラムが記載されている。
（第１項）
機械学習モデルの推定結果を示す推定結果データと、前記推定結果を説明するための第一の説明データと、を取得する推定結果取得部と、
前記推定結果データに基づいて、前記第一の説明データを第二の説明データに変換する説明データ変換部と、を備える、
情報処理装置。
（第２項）
前記説明データ変換部は、前記推定結果データがバイアス項を含むか否かを判定し、前記バイアス項を含む場合には、摂動を含む前記第二の説明データに変換する、
第１項に記載の情報処理装置。
（第３項）
前記説明データ変換部は、前記バイアス項を含まない場合には、前記機械学習モデルに入力させたクエリデータにゼロ成分が含まれるか否かを判定し、前記ゼロ成分が含まれる場合には、前記摂動を含む前記第二の説明データに変換する、
第２項に記載の情報処理装置。
（第４項）
前記機械学習モデルは、活性化関数がＲｅＬＵであるニューラルネットワークである、
第１項から第３項のいずれか１項に記載の情報処理装置。
（第５項）
前記第一の説明データは、ＩＧ（ＩｎｔｅｇｒａｔｅｄＧｒａｄｉｅｎｔ）による説明データであって、
前記第二の説明データは、ＶＧ（ＶａｎｉｌｌａＧｒａｄｉｅｎｔ）による説明データである、
第１項から第４項のいずれか１項に記載の情報処理装置。
（第６項）
コンピュータが実行する方法であって、
機械学習モデルの推定結果を示す推定結果データと、前記推定結果を説明するための第一の説明データと、を取得するステップと、
前記推定結果データに基づいて、前記第一の説明データを第二の説明データに変換するステップと、を備える、
変換方法。
（第７項）
コンピュータを第１項から第５項のいずれか１項に記載の情報処理装置における各部として機能させるためのプログラム。

以上、本実施の形態について説明したが、本発明はかかる特定の実施形態に限定されるものではなく、請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１説明変換システム
１０情報処理装置
１１クエリ送信部
１２推定結果取得部
１３説明データ変換部
１４出力部
２０サーバ装置
２１クエリ取得部
２２推定部
２３推定結果出力部
２４深層学習モデル
１０００ドライブ装置
１００１記録媒体
１００２補助記憶装置
１００３メモリ装置
１００４ＣＰＵ
１００５インタフェース装置
１００６表示装置
１００７入力装置
１００８出力装置

Claims

機械学習モデルの推定結果を示す推定結果データと、前記推定結果を説明するための第一の説明データと、を取得する推定結果取得部と、
前記推定結果データに基づいて、前記第一の説明データを第二の説明データに変換する説明データ変換部と、を備え、
前記説明データ変換部は、前記推定結果データがバイアス項を含むか否かを判定し、前記バイアス項を含む場合には、前記第一の説明データを、摂動を含む前記第二の説明データに変換する、
情報処理装置。
前記説明データ変換部は、前記バイアス項を含まない場合には、前記機械学習モデルに入力させたクエリデータにゼロ成分が含まれるか否かを判定し、前記ゼロ成分が含まれる場合には、前記第一の説明データを、前記摂動を含む前記第二の説明データに変換する、
請求項１に記載の情報処理装置。
前記機械学習モデルは、活性化関数がＲｅＬＵであるニューラルネットワークである、
請求項１又は２に記載の情報処理装置。
前記第一の説明データは、ＩＧ（ＩｎｔｅｇｒａｔｅｄＧｒａｄｉｅｎｔ）による説明データであって、
前記第二の説明データは、ＶＧ（ＶａｎｉｌｌａＧｒａｄｉｅｎｔ）による説明データである、
請求項１から３のいずれか１項に記載の情報処理装置。
コンピュータが実行する変換方法であって、
機械学習モデルの推定結果を示す推定結果データと、前記推定結果を説明するための第一の説明データと、を取得するステップと、
前記推定結果データに基づいて、前記第一の説明データを第二の説明データに変換する説明データ変換ステップと、を備え、
前記説明データ変換ステップにおいて、前記推定結果データがバイアス項を含むか否かを判定し、前記バイアス項を含む場合には、前記第一の説明データを、摂動を含む前記第二の説明データに変換する、
変換方法。
コンピュータを請求項１から４のいずれか１項に記載の情報処理装置における各部として機能させるためのプログラム。