推論を学ぶ：ターゲット化された知識発見と、頑健な画像認識のためのファジー論理更新

Abstract

ドメイン知識を深層ニューラルネットワークに統合することは、汎化性能を改善する有望な方法です。既存の手法は、事前知識を損失関数にエンコードするか、事後処理モジュールを適用するかのいずれかですが、どちらも統合に役立つ記号的知識を特定することに依存しています。実世界の視覚タスクでは、そのようなルールがしばしば利用できないため、我々は、特定対象に向けた知識発見の方法を提案します。我々は、分類器のロジットを調整可能にし、洗練されたクラス確率を得るための Differentiable Knowledge Unit（DKU）を提案します。DKU は、概念ラベルを必要とせずに、主タスクの教師信号のみによって学習されるタスク間のクラスと暗黙的概念の関係を表すために、含意（implication）ルールを用います。概念は専用の分類器によって同定され、その確率が主要なクラス確率とともに DKU に渡されます。DKU は、ファジー推論（fuzzy inference）により論理ベースの調整ベクトルを計算し、それを主要なクラスロジットに作用させて、洗練されたクラス確率を得ます。概念分類器が、論理ルール構造を支えられない概念を表している場合、その結果として得られるクラス確率への調整は、教師損失を直接的に最小化しません。そのため、調整後のクラス確率に対して教師損失を最適化すると、暗黙的に概念分類器が学習されます。概念とクラスの間を双方向の論理関係で結ぶようにルールベースを構築します。概念同士が互いに、またクラスに対して異なるものになるように制約を課します。この設計により、概念学習のための明確な教師信号が実現されます。我々は PASCAL-VOC、COCO、MedMNIST のデータセットで提案手法を評価します。これらのデータセットにおける知識統合により改善が得られることを示します。さらに、ドメイン汎化およびハードサンプルのアブレーション研究を行い、我々の暗黙的な知識発見・統合がベースラインを上回ることを確認します。