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/2108.13836v4
- Date: Sun, 19 Nov 2023 16:24:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 06:17:26.041194
- 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とシステムエンジニアリング(SE)を連携させる
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): 0.9289563958377961
- 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 assist
decision-makers in creating novel artefacts with better performance and
sustainability. However, limited generalization and the black-box nature of
these models lead to limited explainability and reusability. 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 with systems engineering (SE). For the domain of energy efficient
building design, we first demonstrate better generalization of the
component-based method by analyzing prediction accuracy outside the training
data. We observe a much higher accuracy (R2 = 0.94) compared to conventional
monolithic methods (R2 = 0.71). Second, we illustrate explainability by
exemplary demonstrating how sensitivity information from SE and rules from
low-depth decision trees serve engineering. Third, we evaluate explainability
by qualitative and quantitative methods demonstrating the matching of
preliminary knowledge and data-driven derived strategies and show correctness
of activations at component interfaces compared to white-box simulation results
(envelope components: R2 = 0.92..0.99; zones: R2 = 0.78..0.93). The key for
component-based explainability is that activations at interfaces between the
components are interpretable engineering quantities. 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 to 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アーティファクト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る。
しかし、これらのモデルの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がある。
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)を連携させる。
エネルギー効率の高い建築設計の分野において,まず,トレーニングデータ外の予測精度を解析し,コンポーネントベース手法のより優れた一般化を実証する。
従来のモノリシック法に比べてはるかに高い精度(R2 = 0.94)を観測する(R2 = 0.71)。
第2に、SEからの感度情報と低深度決定木からのルールがいかに工学に役立つかを示す。
第3に、予備知識とデータ駆動型戦略の整合性を示す定性的定量的手法による説明可能性の評価を行い、ホワイトボックスシミュレーション結果(エンベロープ成分: R2 = 0.92.0.99; ゾーン: R2 = 0.78.0.93)と比較して、コンポーネントインタフェースにおけるアクティベーションの正しさを示す。
コンポーネントベースの説明可能性の鍵は、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。
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、モデル構造をシステム工学の工学的手法とドメイン知識に適応させる。
関連論文リスト
- Position Paper on Materials Design -- A Modern Approach [1.6668914921312827]
機械学習が新しい材料や集合体の設計プロセスをどのように高速化するかを示す。
MLアプローチは、定義された条件に基づいて、材料の可能な形態を合成することができる。
このアプローチは、新しい材料の設計プロセスを加速し、現実的な材料行動の予測と解釈を可能にする。
論文 参考訳(メタデータ) (2023-12-18T07:46:30Z) - 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) - Balancing Explainability-Accuracy of Complex Models [8.402048778245165]
我々は,コリレーションの影響に基づき,複雑なモデルに対する新しいアプローチを提案する。
独立機能と依存機能の両方のシナリオに対するアプローチを提案する。
従属特徴に対する提案手法の複雑さの上限を提供する。
論文 参考訳(メタデータ) (2023-05-23T14:20:38Z) - Context-Aware Ensemble Learning for Time Series [11.716677452529114]
本稿では,ベースモデルの特徴ベクトルの結合である特徴のスーパーセットを用いて,ベースモデル予測を効果的に組み合わせたメタ学習手法を提案する。
我々のモデルは、ベースモデルの予測を機械学習アルゴリズムの入力として使用するのではなく、問題の状態に基づいて各時点における最良の組み合わせを選択する。
論文 参考訳(メタデータ) (2022-11-30T10:36:13Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳(メタデータ) (2022-03-11T18:27:04Z) - Weakly Supervised Semantic Segmentation via Alternative Self-Dual
Teaching [82.71578668091914]
本稿では,分類とマスク・リファインメント・コンポーネントを統合された深層モデルに組み込む,コンパクトな学習フレームワークを確立する。
本稿では,高品質な知識相互作用を促進するために,新たな自己双対学習(ASDT)機構を提案する。
論文 参考訳(メタデータ) (2021-12-17T11:56:56Z) - 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 Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。
そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文 参考訳(メタデータ) (2020-09-25T12:01:53Z) - 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) - On the Estimation of Complex Circuits Functional Failure Rate by Machine
Learning Techniques [0.16311150636417257]
デレーティング(De-Rating)あるいは脆弱性要因(Vulnerability Factors)は、今日の機能的安全要件によって管理される障害分析の最大の特徴である。
機械学習を用いて個々のフリップフロップの関数的デレートを推定する新しい手法が提案されている。
論文 参考訳(メタデータ) (2020-02-18T15:18:31Z)
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。