論文の概要: Domain-informed explainable boosting machines for trustworthy lateral spread predictions

• arxiv url: http://arxiv.org/abs/2603.17175v1
• Date: Tue, 17 Mar 2026 22:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.421438
• Title: Domain-informed explainable boosting machines for trustworthy lateral spread predictions
• Title（参考訳）: 信頼できる側方展開予測のためのドメインインフォームド説明支援機
• Authors: Cheng-Hsi Hsiao, Krishna Kumar, Ellen M. Rathje,
• Abstract要約: 説明可能なブースティングマシン(EBM)は、付加的な形状関数を通じて透過的な予測を提供する。 EBMは、自然災害の応用における信頼性を低下させる非物理的関係を学習することができる。 本研究では, EBMの物理的整合性を改善するためのドメインインフォームド・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.426112151996528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable Boosting Machines (EBMs) provide transparent predictions through additive shape functions, enabling direct inspection of feature contributions. However, EBMs can learn non-physical relationships that reduce their reliability in natural hazard applications. This study presents a domain-informed framework to improve the physical consistency of EBMs for lateral spreading prediction. Our approach modifies learned shape functions based on domain knowledge. These modifications correct non-physical behavior while maintaining data-driven patterns. We apply the method to the 2011 Christchurch earthquake dataset and correct non-physical trends observed in the original EBM. The resulting model produces more physically consistent global and local explanations, with an acceptable tradeoff in accuracy (4--5\%).
• Abstract（参考訳）: 説明可能なブースティングマシン(EBM)は、付加的な形状関数を通じて透過的な予測を提供し、特徴の直接検査を可能にする。 しかし、ESMは自然災害の応用において信頼性を低下させる非物理的関係を学習することができる。 本研究では, EBMの物理的整合性を改善するためのドメインインフォームド・フレームワークを提案する。 我々のアプローチは、ドメイン知識に基づいて学習された形状関数を修飾する。 これらの修正は、データ駆動パターンを維持しながら、非物理的挙動を補正する。 本手法を2011年クライストチャーチ地震データセットに適用し、元のESMで観測された非物理的傾向を補正する。 結果として得られたモデルは、より物理的に一貫した大域的および局所的な説明を生み出し、精度(4～5倍)のトレードオフを許容する。

関連論文リスト

• Fair and Explainable Credit-Scoring under Concept Drift: Adaptive Explanation Frameworks for Evolving Populations [0.0]
  動的に進化する信用モデルにおいて,解釈可能性と公平性を再検討する適応的説明フレームワークを開発する。 その結果、適応的手法、特に再ベースラインと代理に基づく説明は、時間的安定性を著しく改善し、予測精度を低下させることなく、人口集団間で異なる影響を減少させることがわかった。 これらの知見は、データ駆動型信用システムにおいて、透明性、説明責任、倫理的信頼性を維持するための実践的なメカニズムとして適応的説明可能性を確立した。
  論文  参考訳（メタデータ） (2025-11-05T19:14:43Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Migration as a Probe: A Generalizable Benchmark Framework for Specialist vs. Generalist Machine-Learned Force Fields [1.572216094651749]
  機械学習力場(MLFF)は、分子動力学スケールでのアブ初期レベルの精度を実現することによって、計算材料科学を変革している。 研究者たちは、スペシャリストモデルをスクラッチから訓練するか、ファウンデーショナリストのファンデーションモデルを使うべきか、ハイブリッドアプローチを使うべきか? 本稿では, 弾性バンドトラジェクトリを用いて診断プローブとして評価する, 欠陥マイグレーション経路を用いたベンチマークフレームワークを提案する。 微調整モデルでは、運動特性に対するゼロショットおよびゼロショットのアプローチよりも大幅に優れるが、長距離物理学の部分的な損失を示す。
  論文  参考訳（メタデータ） (2025-08-27T13:24:41Z)
• Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models [5.1732651331429516]
  この課題に対処するために,Plug-and-Play Physics-In Machine Learning (PIML) フレームワークを導入する。 提案手法では, 固有予測器から物理一貫性モデルへの切り換えを行うために, コンフォメーション予測を用いる。 このようにして、提案するフレームワークは、アウト・オブ・ディストリビューションシナリオであっても、信頼性の高い物理インフォームド予測を生成する。
  論文  参考訳（メタデータ） (2025-04-24T22:25:51Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Explainable AI models for predicting liquefaction-induced lateral spreading [1.6221957454728797]
  機械学習は横方向の拡散予測モデルを改善することができる。 機械学習モデルの“ブラックボックス”の性質は、重要な意思決定における採用を妨げる可能性がある。 この研究は、信頼性と情報的意思決定のための説明可能な機械学習の価値を強調している。
  論文  参考訳（メタデータ） (2024-04-24T16:25:52Z)
• On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
  吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。 結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:57:04Z)
• 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)
• Generative Causal Representation Learning for Out-of-Distribution Motion Forecasting [13.99348653165494]
  本稿では,分散シフト下での知識伝達を容易にするための生成因果学習表現を提案する。 ヒトの軌道予測モデルにおいて提案手法の有効性を評価する一方、GCRLは他の領域にも適用可能である。
  論文  参考訳（メタデータ） (2023-02-17T00:30:44Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)

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。