Generalized Additive Model Using Deep Neural Networks with Self-attention Module

Q: 이 논문에서 정의한 DeepGAM이란 무엇인가?

DeepGAM은 심층 신경망(DNN)의 특징 학습 능력을 활용하면서도 일반화 가법 모델(GAM)의 해석 가능성을 유지하도록 설계된 혁신적인 모델이다. 각 신경망이 단일 예측 변수에 집중하고 중요한 특징을 강조하기 위해 자기 주의 메커니즘을 통합하여 신경망의 선형 조합을 학습한다. 이를 통해 예측 변수와 결과 간의 미묘한 관계를 효율적으로 매핑한다.

Q: DeepGAM이 기존 통계 모델 및 딥러닝 모델 대비 가지는 주요 이점은 무엇인가?

연구 결과, DeepGAM은 회귀 및 분류 문제 모두에서 기존 선형 회귀, 랜덤 포레스트, 일반화 가법 모델, 심층 신경망보다 우수한 성능을 보인다. 특히 복잡하고 고차원 데이터셋에서 비선형 회귀 계수 추정 및 특징 중요도 평가에 효과적이며, 다양한 실제 응용 분야에서 강력한 성능을 발휘하는 장점이 있다.

Jooyong Shim; Changha Hwang; Hyejung Park; Heesoo Kim; Kyungha Seok

추천

검색

질문

자료유형: 학술저널

저자정보: Jooyong Shim (Inje University) Changha Hwang (Dankook University) Hyejung Park (P&S BigData Science Institute) Heesoo Kim (Inje University) Kyungha Seok (Inje University)

저널정보: 계명대학교 자연과학연구소 Quantitative Bio-Science Quantitative Bio-Science Vol.43 No.1

발행연도: 2024.5

수록면: 23 - 27 (5page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

The generalized additive model (GAM) is a flexible statistical tool adept at unraveling complex relationships in datasets. Deep neural networks (DNNs) stand out as robust and versatile models that perform exceptionally well across various computational challenges. In this study, we introduce DeepGAM, an innovative model that leverages the feature-learning capabilities of DNNs while maintaining the interpretability inherent to GAM. This hybrid model is designed to learn a linear combination of neural networks, with each network focusing on a single predictor variable and incorporating a self-attention mechanism to highlight critical features. By training the networks in unison, DeepGAM proficiently maps the nuanced connections between predictors and outcomes. By conducting a comprehensive numerical analysis that encompasses regression and classification tasks, the efficiency and versatility of DeepGAM in addressing diverse analytical problems are validated.

#Deep learning algorithm #Deep neural networks #Generalized additive model #Self-attention module

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-151-24-02-089817367

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)