論文の概要: Interpretable machine learning for predicting splitting strength of asphalt concrete: insights from SHAP analysis

• arxiv url: http://arxiv.org/abs/2608.00956v1
• Date: Sun, 02 Aug 2026 03:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.034874
• Title: Interpretable machine learning for predicting splitting strength of asphalt concrete: insights from SHAP analysis
• Title（参考訳）: アスファルトコンクリートの分裂強度予測のための解釈可能な機械学習 -SHAP解析からの考察-
• Abstract要約: 本稿では,アスファルトコンクリートの分裂強度(ST)を予測するための解釈可能な機械学習フレームワークを提案する。 TabPFN、ANN、SVR、RF、XGBoost、LightGBMの6つの機械学習モデルを開発し、比較した。 その結果、TabPFNはテストセットで最高の総合性能を示し、RMSEは0.28、MAEは0.21、MAPEは18.01%、MADは0.14、R2は0.88、最高合成スコアは0.91であった。
• 参考スコア（独自算出の注目度）: 2.5274533414341493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an interpretable machine-learning framework for predicting the splitting strength (ST) of asphalt concrete and supporting data-driven mixture design. A database consisting of 296 samples was established, and 14 input variables related to asphalt properties, aggregate gradation, and fiber characteristics were selected for modeling. Six machine-learning models, namely TabPFN, ANN, SVR, RF, XGBoost, and LightGBM, were developed and compared. Hyperparameter optimization was performed for five models using NSGA-II, while TabPFN was directly applied with its default configuration. The results show that all six models achieved satisfactory predictive capability, whereas TabPFN delivered the best overall performance on the testing set, with the lowest RMSE of 0.28, MAE of 0.21, MAPE of 18.01%, MAD of 0.14, the highest R^2 of 0.88, and the highest composite score of 0.91. SHAP analysis further revealed that nine dominant variables accounted for 92.0% of the total average contribution, among which Ag9.5, FT, Ag4.75, AC, and Du were the most influential. In addition, favorable parameter ranges for improving ST were quantified, such as Ag9.5 < 66.8%, Ag4.75 < 45.0%, AC < 5.4 wt.%, AV < 3.6%, and Du > 134.7 cm. Finally, a GUI platform integrating prediction and SHAP-based explanation was developed to improve the accessibility and practical applicability of the proposed framework.
• Abstract（参考訳）: 本稿では,アスファルトコンクリートの分裂強度(ST)を予測し,データ駆動混合設計を支援するための解釈可能な機械学習フレームワークを提案する。 296個のサンプルからなるデータベースを構築し, アスファルト特性, 骨材劣化, 繊維特性に関連する14種類の入力変数をモデル化した。 TabPFN、ANN、SVR、RF、XGBoost、LightGBMの6つの機械学習モデルを開発し、比較した。 NSGA-IIを使用して5つのモデルに対してハイパーパラメータ最適化が行われ、TabPFNはデフォルト設定で直接適用された。 以上の結果から,TabPFNは0.28のRMSE,0.21のMAE,18.01%のMAPE,0.14のMAD,0.88のR^2のR^2の最高合成スコア0.91の6モデルで最高の総合性能を示した。 SHAP分析により、Ag9.5、FT、Ag4.75、AC、Duの9つの支配変数が平均貢献率の92.0%を占めることが明らかとなった。 さらに、Ag9.5 < 66.8%、Ag4.75 < 45.0%、AC < 5.4 wtなど、STを改善するための好ましいパラメータ範囲が定量化された。 %, AV <3.6%, Du > 134.7 cm。 最後に、提案フレームワークのアクセシビリティと実用性を改善するために、予測とSHAPに基づく説明を統合したGUIプラットフォームを開発した。

関連論文リスト

• GGUF-Metadata Prediction of Single-Sequence llama.cpp Throughput Across Three Systems [3.3498577203654816]
  GGUFメタデータからの単一シーケンスモデルスループットを,基準モデルに適合する量子化特異的スケール係数を持つ屋根線型予測器を用いて予測する。 このコホートは、2つのApple M4 Maxシステムにおける53のホストファイル構成とNVIDIA GTX 5080の318の位相深度測定を含む。
  論文  参考訳（メタデータ） (2026-09-14T00:31:14Z)
• Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
  定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。 我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。 我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-20T21:25:41Z)
• A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling [3.321670207607951]
  個別レベルでの平均条件処理効果(CATE)を推定することは、精度マーケティングの中心である。 S-Learner, T-Learner, X-Learner, Causal Forestの4つのCATE推定器の実証評価を行った。 本研究は,大規模揚力モデリングパイプラインの手法選択のためのエビデンスに基づくガイダンスを実践者に提供する。
  論文  参考訳（メタデータ） (2026-04-07T17:35:45Z)
• Exploring parameter-efficient fine-tuning (PEFT) of billion-parameter vision models with QLoRA and DoRA: insights into generalization for limited-data image classification under a 98:1 test-to-train regime [0.5765148824909591]
  本研究では,DINOv3基礎モデルのスクラッチからのトレーニング(ResNet-18, ViT-Small),凍結特徴抽出,パラメータ効率細調整(PEFT)の3つのアプローチを体系的に比較した。 QLoRA と DoRA は、異なるランク (8, 16, 64) とターゲットモジュール (q_proj 対全線形層) の複数の構成で評価した。 その結果、PEFTはQLoRAの最良の構成(全直線層とランク=64)が5.8時間で2.72%のパラメータ(3.0M)で83.16%のテスト精度を達成した。
  論文  参考訳（メタデータ） (2026-03-18T14:46:07Z)
• Fine-tuning RoBERTa for CVE-to-CWE Classification: A 125M Parameter Model Competitive with LLMs [0.0]
  我々は,AIリフィニングされたCWEラベルを用いた234,770の大規模トレーニングデータセットを構築した。 ホールドアウトテストセット(27,780のサンプル、205のCWEクラス)では、87.4%のトップ1精度を達成した。 外部のCTI-Benchベンチマーク(NeurIPS 2024)では、75.6%の精度が達成されている。
  論文  参考訳（メタデータ） (2026-03-16T07:15:57Z)
• Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids [0.0]
  本研究では,3つの相補的不確実性機構をPatchTSTバックボーンに統合したベイズ変圧器フレームワークを提案する。 7段階のマルチクエンタリーピンボールロス予測ヘッドと、訓練後の等音波回帰キャリブレーションにより、鋭く、ほぼ一意にカバーされた予測間隔が生成される。 主要なベンチマーク(PJM, H=24h)では、BTは0.0289のCRPSを達成し、Deep Ensemblesより7.4%、決定論的LSTMより29.9%改善した。
  論文  参考訳（メタデータ） (2026-03-09T02:39:51Z)
• F10.7 Index Prediction: A Multiscale Decomposition Strategy with Wavelet Transform for Performance Optimization [0.9479454833578949]
  ウェーブレット分解を用いた新しいF10.7指数予測法を提案する。 我々は、予測性能への影響を評価するために、国際太陽黒点数(ISN)とそのウェーブレット分解信号を組み込んだ。
  論文  参考訳（メタデータ） (2026-02-24T09:18:57Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• GLM-4.5: Agentic, Reasoning, and Coding (ARC) Foundation Models [194.64264251080454]
  GLM-4.5はオープンソースのMixture-of-Experts(MoE)大言語モデルであり,総パラメータは355B,アクティベートパラメータは32Bである。 23Tトークンのマルチステージトレーニングと、エキスパートモデルのイテレーションと強化学習による総合的なポストトレーニングを通じて、GLM-4.5はエージェント、推論、コーディングタスクにわたって強力なパフォーマンスを実現している。 GLM-4.5(355Bパラメータ)とGLM-4.5-Air(106Bパラメータ)をそれぞれリリースし、推論とエージェントAIシステムの研究を進めた。
  論文  参考訳（メタデータ） (2025-08-08T17:21:06Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Alexa Teacher Model: Pretraining and Distilling Multi-Billion-Parameter Encoders for Natural Language Understanding Systems [63.713297451300086]
  本研究では,700Mから9.3Bまでの非埋め込みパラメータ数を持つ事前学習エンコーダの大規模実験結果について述べる。 その後、17M-170Mパラメータからより小さなモデルに蒸留し、仮想アシスタントシステムの自然言語理解(NLU)コンポーネントに応用した。
  論文  参考訳（メタデータ） (2022-06-15T20:44:23Z)

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。