Verbesserung der Erklärbarkeit von neuronalen Netzen [German]

By Martin Aruldoss and Enoch Arulprakash

K nstliche Intelligenz (KI), die von neuronalen Netzen gesteuert wird, ist f r viele Anwendungen wie Empfehlungssysteme, Sprach bersetzung, soziale Medien, Chatbots und Rechtschreibpr fung usw. von entscheidender Bedeutung. Diese Netze werden jedoch h ufig als "Blackboxen" kritisiert, was Bedenken hinsichtlich ihrer Erkl rbarkeit aufkommen l sst, insbesondere in sensiblen Bereichen wie dem Gesundheitswesen, dem autonomen Fahren usw. Bestehende Methoden zur Verbesserung der Erkl rbarkeit, wie z. B. die Bedeutung von Merkmalen, sind oft nicht klar und leicht zu interpretieren. Um dieses Problem zu l sen, wurde das objektorientierte neuronale Netz zur Verbesserung der Erkl rbarkeit (OONNIE) entwickelt. OONNIE verwendet objektorientierte Modellierung, um Verlust- und Verbindungsgewicht zur Berechnung der Merkmalsbedeutung zu kombinieren und integriert dom nenspezifische Regeln durch die Erweiterbarkeit von OOP. Das Modell betont die algorithmische Transparenz, indem jeder Trainingsschritt detailliert beschrieben wird. Bei der Evaluierung von XOR- und XNOR-Funktionen zeigt OONNIE vielversprechende Ergebnisse bei der Merkmalsbedeutung, eine schnellere Verlustreduzierung und verbesserte Vorhersagen nach der Integration von Dom nenregeln. Dies ist ein wichtiger Beitrag zur erkl rbaren KI und macht OONNIE zu einem wertvollen Werkzeug f r die Entwicklung vertrauensw rdiger KI-Systeme.

• Format: Paperback
• Language: German
• ISBN: 6202371129
• ISBN13: 9786202371124
• Release Date: August 2025
• Publisher: Verlag Unser Wissen
• Length: 136 Pages
• Weight: 0.42 lbs.
• Dimensions: 0.3" x 6.0" x 9.0"