AIの信頼性向上：注意一貫性による解釈可能な早期終了ニューラルネットワーク

本研究は、異なる層間の注意メカニズムを整合させる方法を導入することにより、早期終了ニューラルネットワークの重要な制約である解釈可能性の欠如に対処しています。提案されたフレームワークであるExplanation-Guided Training (EGT)は、効率性が最優先されるリソース制約のある環境において、早期終了アーキテクチャを使用するAIシステムの信頼性を大幅に向上させる可能性を秘めています。

• •この論文では、解釈可能な早期終了ニューラルネットワークのためのマルチ目的フレームワークであるExplanation-Guided Training (EGT)を紹介しています。
• •EGTは、異なる終了ポイント間で注意マップを整合させるために、注意一貫性損失を使用し、解釈可能性を向上させます。
• •実験により、EGTがベースラインモデルと比較して、同等の精度、高速な推論、および強化された注意一貫性を達成することが示されています。