مسئله طبقه‌بندی همچنان جزو مسائل مورد بحث خیلی از مقالات روز میباشد. اغلب مدلهای ارائه شده در مقالات، از عدم توضیح دلیلی قابل درک برای انسان رنج می‌برند. یکی از روشهای ایجاد توضیح‌پذیری، تفکیک وزن‌های شبکه به دو بخش مثبت و منفی مبتنی بر الگو میباشد. بخش مثبت نمایانگر وزن‌های مربوط به کلاس درست و بخش منفی نمایانگر وزن‌هایی است که به اشتباه به کلاس مذکور نسبت داده شده‌اند. به این شبکه، شبکه‌ی WTA مبتنی بر فاصله اقلیدسی مثبت و منفی یا ED-WTA± گفته می‌شود. در این مقاله با استفاده از بسط هسته علاوه بر دست‌یابی به توضیح‌پذیری محلی، دقت بالاتری به نسبت مقاله‌ی موجود به واسطه‌ی مدل سازی غیرخطی کسب شده است. روشهایی در این مقاله به منظور بهبود فضای زمانی و فضای الگوریتم ارائه خواهد شد. همچنین از روش نیستروم برای تقریب هسته به منظور مقیاس پذیر شدن الگوریتم در برابر مجموعه دادگان حجیم استفاده شده است. با استفاده از این شبکه تک‌لایه در مجموعه دادگان MNIST دقت 98.01% بر روی دادگان آزمون کسب شده است و با استفاده از بسط هسته دلایل استدلال را نیز به خوبی با دادگان ورودی شرح می‌دهد. همچنین توضیح‌پذیری بر روی مجموعه دادگان FERET دو کلاسه بررسی شده است.

کلمات کلیدی