論文の概要: Explainable AI for engineering design: A unified approach of systems
engineering and component-based deep learning
- arxiv url: http://arxiv.org/abs/2108.13836v1
- Date: Mon, 30 Aug 2021 07:20:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 14:19:47.334756
- Title: Explainable AI for engineering design: A unified approach of systems
engineering and component-based deep learning
- Title（参考訳）: 工学設計のための説明可能なAI:システム工学とコンポーネントベースディープラーニングの統一的アプローチ
- Authors: Philipp Geyer, Manav Mahan Singh and Xia Chen
- Abstract要約: 機械学習(ML)による部分的コンポーネントモデル作成のためのコンポーネントベースアプローチを提案する。
このコンポーネントベースのアプローチは、ディープラーニングをシステムエンジニアリング(SE)に整合させる
このアプローチは、システム工学とドメイン知識のエンジニアリング手法にモデル構造を適用する。
- 参考スコア（独自算出の注目度）: 1.2774575491521927
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Data-driven models created by machine learning gain in importance in all
fields of design and engineering. They have high potential to assists
decision-makers in creating novel artefacts with a better performance and
sustainability. However, limited generalization and the black-box nature of
these models induce limited explainability and reusability. These drawbacks
provide significant barriers retarding adoption in engineering design. To
overcome this situation, we propose a component-based approach to create
partial component models by machine learning (ML). This component-based
approach aligns deep learning to systems engineering (SE). By means of the
example of energy efficient building design, we first demonstrate
generalization of the component-based method by accurately predicting the
performance of designs with random structure different from training data.
Second, we illustrate explainability by local sampling, sensitivity information
and rules derived from low-depth decision trees and by evaluating this
information from an engineering design perspective. The key for explainability
is that activations at interfaces between the components are interpretable
engineering quantities. In this way, the hierarchical component system forms a
deep neural network (DNN) that directly integrates information for engineering
explainability. The large range of possible configurations in composing
components allows the examination of novel unseen design cases with
understandable data-driven models. The matching of parameter ranges of
components by similar probability distribution produces reusable,
well-generalizing, and trustworthy models. The approach adapts the model
structure to engineering methods of systems engineering and domain knowledge.
- Abstract（参考訳）: 機械学習によって作成されたデータ駆動モデルは、設計とエンジニアリングのあらゆる分野で重要性を増している。
彼らは、より良いパフォーマンスと持続可能性を持つ新しい成果物を作成する意思決定者を支援する高い可能性を持っています。
しかし、これらのモデルの限定された一般化とブラックボックスの性質は、説明可能性と再利用性に制限を与える。
これらの欠点は、エンジニアリング設計の採用を遅らせる重要な障壁となる。
このような状況を克服するため,機械学習(ML)による部分コンポーネントモデル作成のためのコンポーネントベースアプローチを提案する。
このコンポーネントベースのアプローチは、ディープラーニングとシステムエンジニアリング(SE)を結びつける。
まず, エネルギー効率の良い建築設計の例を用いて, トレーニングデータとは異なるランダムな構造で設計性能を正確に予測することにより, コンポーネントベース手法の一般化を実証する。
第2に,低深度決定木から抽出した局所サンプリング,感度情報,および規則について説明し,工学設計の観点からその情報を評価する。
説明可能性の鍵は、コンポーネント間のインターフェイスでのアクティベーションが解釈可能なエンジニアリング量であることである。
このように、階層的コンポーネントシステムは、エンジニアリングの説明可能性のために情報を直接統合するディープニューラルネットワーク(dnn)を形成する。
コンポーネントを構成する可能性の広い構成は、理解可能なデータ駆動モデルで見知らぬ新しい設計ケースの検証を可能にする。
類似の確率分布による成分のパラメータ範囲のマッチングは、再利用可能な、一般化された、信頼できるモデルを生み出す。
このアプローチは、システム工学とドメイン知識のエンジニアリング手法にモデル構造を適用する。
関連論文リスト
- SMLE: Safe Machine Learning via Embedded Overapproximation [4.129133569151574]
本研究は,デザイナ・ちょうせん特性を満たすことが保証される識別可能なMLモデルを訓練する作業について考察する。
現代のニューラルモデルにおけるコンプライアンスの厳格な検証と実施という計算複雑性のため、これは非常に難しい。
1)保守的なセマンティクスによる効率的な検証を可能にする汎用的,シンプルなアーキテクチャ。
回帰における線形不等式によって定義される特性と、多重ラベル分類における相互排他的クラスに対するアプローチを評価する。
論文 参考訳（メタデータ） (2024-09-30T17:19:57Z) - The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。
ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。
新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
論文 参考訳（メタデータ） (2024-02-02T20:33:14Z) - Interpretable Meta-Learning of Physical Systems [4.343110120255532]
最近のメタラーニング手法はブラックボックスニューラルネットワークに依存しており、計算コストが高く、解釈可能性も限られている。
我々は,学習課題に対するアフィン構造を持つ,より単純な学習モデルを用いて,マルチ環境の一般化を実現することができると論じる。
本稿では,物理系の最先端アルゴリズムと比較することにより,競合一般化性能と計算コストの低さを実証する。
論文 参考訳（メタデータ） (2023-12-01T10:18:50Z) - Human as Points: Explicit Point-based 3D Human Reconstruction from
Single-view RGB Images [78.56114271538061]
我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。
提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。
我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
論文 参考訳（メタデータ） (2023-11-06T05:52:29Z) - A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳（メタデータ） (2023-07-16T15:59:13Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Towards the One Learning Algorithm Hypothesis: A System-theoretic
Approach [0.0]
人間の認知における普遍的な学習アーキテクチャの存在は、神経科学の実験的な発見によって支持される広範囲にわたる推測である。
i) マルチレゾリューション分析プリプロセッサ, (ii) グループ不変の特徴抽出器, (iii) プログレッシブ知識に基づく学習モジュールの3つの主成分からなる閉ループシステムを開発した。
複数の解像度で徐々に成長する知識表現を構成する新しい学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-04T05:54:33Z) - Physics guided machine learning using simplified theories [0.0]
機械学習、特にディープラーニングの最近の応用は、物理科学における統計推論アプローチの汎用性に対処する必要性を動機付ける。
このようなデータ駆動予測エンジンの精度を向上させるために,モジュール型物理誘導機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-18T21:30:40Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z) - Machine Learning Enabled Discovery of Application Dependent Design
Principles for Two-dimensional Materials [1.1470070927586016]
我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。
ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。
有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
論文 参考訳（メタデータ） (2020-03-19T23:13:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。