論文の概要: Explainable Machine Learning: An Illustration of Kolmogorov-Arnold Network Model for Airfoil Lift Prediction
- arxiv url: http://arxiv.org/abs/2501.17896v1
- Date: Wed, 29 Jan 2025 01:21:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:14:40.906512
- Title: Explainable Machine Learning: An Illustration of Kolmogorov-Arnold Network Model for Airfoil Lift Prediction
- Title(参考訳): 説明可能な機械学習:エアフォイルリフト予測のためのコルモゴロフ・アルノルドネットワークモデルの図解
- Authors: Sudhanva Kulkarni,
- Abstract要約: 本研究は,新しい科学的探究におけるKAの可能性を実証するものである。
カンはテストデータで96.7%のR2スコアで最善を尽くした。
kanモデルから得られた説明可能な情報は、エアフォイルによるリフト生成の既知の物理学と一致している。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Data science has emerged as fourth paradigm of scientific exploration. However many machine learning models operate as black boxes offering limited insight into the reasoning behind their predictions. This lack of transparency is one of the drawbacks to generate new knowledge from data. Recently Kolmogorov-Arnold Network or KAN has been proposed as an alternative model which embeds explainable AI. This study demonstrates the potential of KAN for new scientific exploration. KAN along with five other popular supervised machine learning models are applied to the well-known problem of airfoil lift prediction in aerospace engineering. Standard data generated from an earlier study on 2900 different airfoils is used. KAN performed the best with an R2 score of 96.17 percent on the test data, surpassing both the baseline model and Multi Layer Perceptron. Explainability of KAN is shown by pruning and symbolizing the model resulting in an equation for coefficient of lift in terms of input variables. The explainable information retrieved from KAN model is found to be consistent with the known physics of lift generation by airfoil thus demonstrating its potential to aid in scientific exploration.
- Abstract(参考訳): データサイエンスは科学探査の第4のパラダイムとして登場した。
しかし、多くの機械学習モデルはブラックボックスとして動作し、予測の背後にある推論について限定的な洞察を提供する。
この透明性の欠如は,データから新たな知識を生成する上での欠点のひとつだ。
最近では、説明可能なAIを組み込んだ代替モデルとして、Kolmogorov-Arnold NetworkやKanが提案されている。
本研究は,新しい科学的探究におけるKAの可能性を実証するものである。
航空工学におけるエアフォイルリフト予測のよく知られた問題に対して,KAと他の5つの教師付き機械学習モデルを適用した。
2900種類の異なる翼に関する以前の研究から得られた標準データを用いる。
Kanは、ベースラインモデルとMulti Layer Perceptronを上回り、テストデータで96.17%のR2スコアで最高の成績を収めた。
Kanの説明可能性は、入力変数の項でリフト係数の方程式を導出するモデルを定式化し、記号化することによって示される。
kanモデルから得られた説明可能な情報は、翼によるリフト生成の既知の物理学と一致していることが判明し、科学探査に役立つ可能性が示された。
関連論文リスト
- Landing Trajectory Prediction for UAS Based on Generative Adversarial Network [10.243874682724677]
GAN(Generative Adversarial Network)に基づく無人航空機システムの着陸軌道予測モデルを提案する。
GANは長年開発されてきた高名なニューラルネットワークである。
また、提案モデルを評価するために、実際のパイロットが手動で操縦するドローン制御の2600回以上の軌道を含む、実際のUAV着陸データセットを作成する。
論文 参考訳(メタデータ) (2024-11-21T18:34:33Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - An Interpretable Systematic Review of Machine Learning Models for
Predictive Maintenance of Aircraft Engine [0.12289361708127873]
本稿では,航空機エンジンの保守性を予測するため,各種機械学習モデルと深層学習モデルの解釈可能なレビューを行う。
本研究では, LSTM, Bi-LSTM, RNN, Bi-RNN GRU, Random Forest, KNN, Naive Bayes, Gradient Boostingを用いて, 航空機のエンジン故障の予測にセンサデータを用いた。
97.8%、97.14%、96.42%はGRU、Bi-LSTM、LSTMによってそれぞれ得られる。
論文 参考訳(メタデータ) (2023-09-23T08:54:10Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳(メタデータ) (2023-07-04T16:45:21Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳(メタデータ) (2023-03-24T11:12:37Z) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文 参考訳(メタデータ) (2023-03-17T13:53:59Z) - Knowledge-embedded meta-learning model for lift coefficient prediction
of airfoils [25.546237636065182]
攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。
通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。
その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
論文 参考訳(メタデータ) (2023-03-06T02:47:31Z) - A Detailed Study of Interpretability of Deep Neural Network based Top
Taggers [3.8541104292281805]
説明可能なAI(XAI)の最近の進歩により、研究者はディープニューラルネットワーク(DNN)の内部動作を探索できる。
大型ハドロン衝突型加速器(LHC)における高エネルギー陽子-陽子衝突におけるトップクォーク崩壊からのジェットの解釈可能性について検討する。
本研究は,既存のXAI手法の大きな落とし穴を明らかにし,これらのモデルの一貫性と意味のある解釈をいかに克服できるかを説明する。
論文 参考訳(メタデータ) (2022-10-09T23:02:42Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - 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) - Beyond Trivial Counterfactual Explanations with Diverse Valuable
Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。
本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。
このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文 参考訳(メタデータ) (2021-03-18T12:57:34Z)
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。