論文の概要: SMT-EX: An Explainable Surrogate Modeling Toolbox for Mixed-Variables Design Exploration

• arxiv url: http://arxiv.org/abs/2503.19496v1
• Date: Tue, 25 Mar 2025 09:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:52:56.437089
• Title: SMT-EX: An Explainable Surrogate Modeling Toolbox for Mixed-Variables Design Exploration
• Title（参考訳）: SMT-EX:混合変数設計探索のための説明可能なサロゲートモデリングツールボックス
• Authors: Mohammad Daffa Robani, Paul Saves, Pramudita Satria Palar, Lavi Rizki Zuhal, oseph Morlier,
• Abstract要約: 本稿では,Python Surrogate Modeling Toolbox(SMT)のオープンソース版であるSMT-EXを紹介する。 SMTの特異な説明可能性依存性は、サロゲートモデルが構築されると容易に活性化できるため、迅速な洞察抽出のためのユーザフレンドリで効率的なツールを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Surrogate models are of high interest for many engineering applications, serving as cheap-to-evaluate time-efficient approximations of black-box functions to help engineers and practitioners make decisions and understand complex systems. As such, the need for explainability methods is rising and many studies have been performed to facilitate knowledge discovery from surrogate models. To respond to these enquiries, this paper introduces SMT-EX, an enhancement of the open-source Python Surrogate Modeling Toolbox (SMT) that integrates explainability techniques into a state-of-the-art surrogate modelling framework. More precisely, SMT-EX includes three key explainability methods: Shapley Additive Explanations, Partial Dependence Plot, and Individual Conditional Expectations. A peculiar explainability dependency of SMT has been developed for such purpose that can be easily activated once the surrogate model is built, offering a user-friendly and efficient tool for swift insight extraction. The effectiveness of SMT-EX is showcased through two test cases. The first case is a 10-variable wing weight problem with purely continuous variables and the second one is a 3-variable mixed-categorical cantilever beam bending problem. Relying on SMT-EX analyses for these problems, we demonstrate its versatility in addressing a diverse range of problem characteristics. SMT-Explainability is freely available on Github: https://github.com/SMTorg/smt-explainability .
• Abstract（参考訳）: サーロゲートモデルは、技術者や実践者が意思決定を行い、複雑なシステムを理解するのに役立つブラックボックス関数の、安価で評価可能な時間効率の近似として、多くのエンジニアリングアプリケーションにとって高い関心を集めている。 このように、説明可能性法の必要性が高まり、代理モデルからの知識発見を促進するために多くの研究がなされている。 そこで本研究では,Python Surrogate Modeling Toolbox(SMT)のオープンソース版であるSMT-EXを紹介する。 より正確には、SMT-EXには、Shapley Additive Explanations、Partial Dependence Plot、Personal Conditional expectationsの3つの重要な説明可能性メソッドが含まれている。 SMTの特異な説明可能性依存性は、サロゲートモデルが構築されると容易に活性化できるため、迅速な洞察抽出のためのユーザフレンドリで効率的なツールを提供する。 SMT-EXの有効性は2つのテストケースで示された。 第1のケースは、純粋に連続な変数を持つ10変数の翼重量問題であり、第2のケースは3変数の混合カテゴリーのカンチレバービーム曲げ問題である。 これらの問題に対するSMT-EX分析に基づいて,多種多様な問題特性に対処する上で,その汎用性を実証する。 SMT-ExplainabilityはGithubで無償公開されている。

関連論文リスト

• Zero-Shot Interactive Text-to-Image Retrieval via Diffusion-Augmented Representations [7.439049772394586]
  Diffusion Augmented Retrieval (DAR)はMLLMの微調整を完全に回避したパラダイムシフトフレームワークである。 DARは、Diffusion Model (DM) ベースの視覚合成を用いて、LLM(Large Language Model) 誘導クエリ改善をシナジし、文脈的にリッチな中間表現を生成する。
  論文  参考訳（メタデータ） (2025-01-26T03:29:18Z)
• Encapsulating Knowledge in One Prompt [56.31088116526825]
  KiOPは、元のモデルを変更したり、トレーニングデータにアクセスする必要なしに、さまざまなモデルからの知識を単独のプロンプトにカプセル化する。 実用性の観点から、このパラダイムは、データアクセス不能なコンテキストにおけるVisual Promptの有効性を証明している。 様々なデータセットとモデルを用いた実験は、提案したKiOP知識伝達パラダイムの有効性を示す。
  論文  参考訳（メタデータ） (2024-07-16T16:35:23Z)
• Multi-Head Mixture-of-Experts [100.60556163597946]
  MH-MoE(Multi-Head Mixture-of-Experts)を提案する。 MH-MoEは、他のSMoE最適化手法の実装と分離が容易であり、性能向上のために他のSMoEモデルとの統合が容易である。
  論文  参考訳（メタデータ） (2024-04-23T13:47:09Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• Simultaneous Machine Translation with Large Language Models [51.470478122113356]
  我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。 MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。 その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-09-13T04:06:47Z)
• MinT: Boosting Generalization in Mathematical Reasoning via Multi-View Fine-Tuning [53.90744622542961]
  数学領域における推論は、小言語モデル(LM)にとって重要な課題である。 多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。 実験結果から,LLaMA-7Bモデルが先行手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-16T05:41:53Z)
• SMT 2.0: A Surrogate Modeling Toolbox with a focus on Hierarchical and Mixed Variables Gaussian Processes [0.8431877864777444]
  Surrogate Modeling Toolbox (SMT)は、Surrogateモデリングメソッドのコレクションを提供するオープンソースのPythonパッケージである。 SMT 2.0には、混合変数サロゲートモデルと階層変数を扱う機能が追加されている。
  論文  参考訳（メタデータ） (2023-05-23T12:27:56Z)
• Improving Speech Translation by Cross-Modal Multi-Grained Contrastive Learning [8.501945512734268]
  E2E-STに対するFCCL(Fine- and Coarse- Granularity Contrastive Learning)アプローチを提案する。 提案手法の重要な要素は,文レベルとフレームレベルの両方でコントラスト学習を適用し,リッチな意味情報を含む音声表現を抽出するための包括的なガイドを提供することである。 MuST-Cベンチマーク実験の結果,提案手法は8つの言語対に対して,最先端のE2E-STベースラインを大幅に上回ることがわかった。
  論文  参考訳（メタデータ） (2023-04-20T13:41:56Z)
• A Multi-view Multi-task Learning Framework for Multi-variate Time Series Forecasting [42.061275727906256]
  MTS予測のための新しいマルチビューマルチタスク(MVMT)学習フレームワークを提案する。 MVMT情報は、MTSデータに深く隠され、モデルが自然にそれをキャプチャすることを妨げる。 タスクワイドアフィン変換とタスクワイド正規化という,2種類の基本操作をそれぞれ開発する。
  論文  参考訳（メタデータ） (2021-09-02T06:11:26Z)
• A Unified Transferable Model for ML-Enhanced DBMS [53.46830627879208]
  本稿では,タスク間で伝達可能な知識をキャプチャするマルチタスクトレーニングプロシージャと,db間でのメタ知識を蒸留するプリトレーニングファインチューンプロシージャを用いた統一モデルmtmlfを提案する。 このパラダイムはクラウドDBサービスに適しており、将来的にMLの使用方法に革命をもたらす可能性があると考えています。
  論文  参考訳（メタデータ） (2021-05-06T03:31:32Z)

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。