論文の概要: Interpretable models for extrapolation in scientific machine learning
- arxiv url: http://arxiv.org/abs/2212.10283v1
- Date: Fri, 16 Dec 2022 19:33:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 17:29:34.105268
- Title: Interpretable models for extrapolation in scientific machine learning
- Title（参考訳）: 科学機械学習における外挿の解釈モデル
- Authors: Eric S. Muckley, James E. Saal, Bryce Meredig, Christopher S. Roper,
and John H. Martin
- Abstract要約: 複雑な機械学習アルゴリズムは、補間的設定において単純な回帰よりも優れていることが多い。
本稿では, モデル性能と解釈可能性のトレードオフを, 幅広い科学・工学的問題にまたがって検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven models are central to scientific discovery. In efforts to achieve
state-of-the-art model accuracy, researchers are employing increasingly complex
machine learning algorithms that often outperform simple regressions in
interpolative settings (e.g. random k-fold cross-validation) but suffer from
poor extrapolation performance, portability, and human interpretability, which
limits their potential for facilitating novel scientific insight. Here we
examine the trade-off between model performance and interpretability across a
broad range of science and engineering problems with an emphasis on materials
science datasets. We compare the performance of black box random forest and
neural network machine learning algorithms to that of single-feature linear
regressions which are fitted using interpretable input features discovered by a
simple random search algorithm. For interpolation problems, the average
prediction errors of linear regressions were twice as high as those of black
box models. Remarkably, when prediction tasks required extrapolation, linear
models yielded average error only 5% higher than that of black box models, and
outperformed black box models in roughly 40% of the tested prediction tasks,
which suggests that they may be desirable over complex algorithms in many
extrapolation problems because of their superior interpretability,
computational overhead, and ease of use. The results challenge the common
assumption that extrapolative models for scientific machine learning are
constrained by an inherent trade-off between performance and interpretability.
- Abstract（参考訳）: データ駆動モデルは科学的発見の中心である。
最先端のモデルの正確性を達成するために、研究者たちは、補間的な設定(例えばランダムなk-foldクロスバリデーション)で単純な回帰を上回っているが、外挿性能、可搬性、人間の解釈性に乏しい、新しい科学的洞察を促進する可能性を制限する、複雑な機械学習アルゴリズムを駆使している。
本稿では,材料科学のデータセットに着目し,幅広い科学・工学問題におけるモデル性能と解釈可能性のトレードオフについて検討する。
我々は,ブラックボックスランダムフォレストとニューラルネットワーク機械学習アルゴリズムの性能を,単純なランダム探索アルゴリズムによって検出された解釈可能な入力特徴を用いた単機能線形回帰と比較した。
補間問題では,線形回帰の平均予測誤差はブラックボックスモデルの2倍であった。
注目すべきは、予測タスクが外挿を必要とする場合、線形モデルはブラックボックスモデルよりも5%高い平均誤差しか得られず、テストされた予測タスクの約40%ではブラックボックスモデルよりも優れており、多くの外挿問題において複雑なアルゴリズムよりも望ましいことが示唆されている。
結果は、科学的機械学習のための外挿モデルが、パフォーマンスと解釈可能性の間の固有のトレードオフによって制約されているという共通の仮定に挑戦する。
関連論文リスト
- Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Learning Active Subspaces and Discovering Important Features with Gaussian Radial Basis Functions Neural Networks [0.0]
モデルの訓練が完了すると抽出できる精度行列のスペクトルに含まれる貴重な情報を示す。
回帰,分類,特徴選択タスクの数値実験を行った。
その結果,提案モデルが競合モデルに比べて魅力的な予測性能が得られるだけでなく,予測性能も向上することが示唆された。
論文 参考訳（メタデータ） (2023-07-11T09:54:30Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Accelerating Understanding of Scientific Experiments with End to End
Symbolic Regression [12.008215939224382]
生データから自由形記号表現を学習する問題に対処するディープニューラルネットワークを開発した。
ニューラルネットワークを、長さの異なるデータテーブルとノイズのレベルからなる合成データセットでトレーニングする。
行動科学の公開データセット上で動作させることで、我々の技術を検証する。
論文 参考訳（メタデータ） (2021-12-07T22:28:53Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳（メタデータ） (2021-10-09T13:56:48Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - Transfer learning suppresses simulation bias in predictive models built
from sparse, multi-modal data [15.587831925516957]
科学、工学、ビジネスにおける多くの問題は、ごくわずかな観察に基づく予測を必要とする。
堅牢な予測モデルを構築するには、特に設計空間が多次元である場合、これらのスパースデータをシミュレーションデータで拡張する必要がある。
ディープラーニングの最近の開発を組み合わせて、マルチモーダルデータからより堅牢な予測モデルを構築します。
論文 参考訳（メタデータ） (2021-04-19T23:28:32Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z) - Designing Accurate Emulators for Scientific Processes using
Calibration-Driven Deep Models [33.935755695805724]
Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。
また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。
LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
論文 参考訳（メタデータ） (2020-05-05T16:54:11Z)
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。