発明が解決しようとする課題[発明の詳細な説明]から抜粋

しかしながら、非特許文献１および非特許文献２それぞれに記載の手法には、精度劣化の可能性がある。ニューラルネットワークは膨大なパラメータと複雑な処理によって高い精度を達成しているため、決定木モデルでは表現できない処理が存在する。そのため、決定木モデルでニューラルネットワークと同等の精度を維持することは難しく、精度を維持することが課題となっている。 特許文献１に記載の手法は、ニューロンを削除し、ニューロン同士の結合数を減らすことによって説明性を向上させる手法である。しかし、かかる手法では、新たにモデルを学習する必要があるため、かかる手法は、既に学習済みのニューラルネットワークモデルに適用され得ない。また、特許文献１に記載の手法では、ニューロン同士の結合部ごとの学習が必要になるため、かかる手法には、規模の大きいニューラルネットワークへの適用が難しいという課題がある。 そこで、適用可能なニューラルネットワークが限定されることを抑制し、ニューラルネットワークによる出力の精度劣化を抑制しつつ、ニューラルネットワークの説明性を向上させることを可能とする技術が提供されることが望まれる。

課題を解決するための手段[発明の詳細な説明]から抜粋

以上説明したように本発明によれば、適用可能なニューラルネットワークが限定されることを抑制し、ニューラルネットワークによる出力の精度劣化を抑制しつつ、ニューラルネットワークの説明性を向上させることを可能とする技術が提供される。