量子アニーリングによる特徴量選択で実現する解釈可能なAIへ
arXiv cs.LG / 2026/4/29
📰 ニュースModels & Research
要点
- 本論文は、画像分類における畳み込みニューラルネットワークの判断を説明することで、深層学習モデルの解釈可能性を高めることを目的としています。
- 予測ごとに最も重要な特徴マップを選択する方法を提案し、そのタスクを組合せ最適化問題として定式化します。
- この組合せ問題は量子の制約付き最適化問題として符号化され、量子アニーリングで解く方針を取っています。
- GradCAM や GradCAM++ などの最先端の説明可能AI手法と比較したところ、クラスの分離性が向上し、意思決定境界がより明確になって推論の透明性が高まることを示しています。
- さらに、量子アニーリング手法の計算挙動（最小エネルギーギャップや正しい解を見つける確率など）を分析し、実際に有効に機能する理由の理論的な洞察を与えています。
