May, 2023

应用可解释人工智能（XAI）方法分析增材制造样品输入变量与拉伸强度之间的相关性

PDF
TL;DR该研究使用可解释性人工智能技术，分析添加制造过程中充填比例、层高度、挤出温度和打印速度等不同输入参数对材料拉伸强度的影响，并发现充填比例和挤出温度对拉伸强度的影响最大，层高度和打印速度的影响相对较小。此外，研究还发现输入参数与拉伸强度之间的关系非常复杂和非线性，难以用简单的线性模型准确描述。
additive manufacturingtensile strengthinput parametersexplainable artificial intelligenceshapley additive explanations
发现论文，激发创造
  • 应用机器学习辅助模式识别算法估算熔覆沉积建模聚乳酸样品的极限拉伸强度

    本研究探讨监督机器学习算法在估计使用熔丝沉积建模方法制备的聚乳酸试样的极限拉伸强度方面的应用，结果表明 KNN 算法在分类任务中表现最好，同时，该研究首次利用机器学习算法估计聚乳酸试样的 UTS，从而为附加制造领域中的预测模型性能和准确性提供了宝贵的信息。

    Jul, 2023

  • 利用可解释的人工智能来提高神经网络的性能

    本研究提出了一种重新训练流程，使用 SHapley Additive explanations 值，从 XAI 入手并利用最先进的技术来增加模型的透明度和可信度，在人数统计场景和图像分类数据集上进行了实验验证，结果表明使用 SHAP-based 重新训练方法比使用相等加权训练方法更有效，分别提高了 4% 和 3% 的准确率。

    Oct, 2022

  • 可解释的人工智能在车削中工具磨损预测中的应用

    该研究旨在开发一种可解释的人工智能（XAI）框架，以实现在车削过程中对工具磨损进行可理解的预测。通过使用随机森林算法作为监督式机器学习（ML）分类器，以加速度、声学、温度和主轴转速等输入特征进行二元分类训练，该分类器可用于预测切割过程后刀具的状态，以表示切割刀具是否可用或失效。在训练过程中，使用了 Shapley 准则来解释训练后的 ML 分类器的预测。具体而言，识别了决策和分类中每个输入特征的重要性，以解释 ML 分类器预测的推理。在对所有测试数据集实施 Shapley 准则后，发现刀具温度是确定可用和失效切割刀具分类的最重要特征。因此，该研究展示了 XAI 在工具磨损预测中为加工操作者提供诊断和理解复杂的 ML 分类器的能力。

    Aug, 2023

  • 基于可解释人工智能方法应用于自动化设计评估中的特征可视化

    这篇研究论文中介绍了如何利用深度学习系统及解释性人工智能方法，结合 NeuroCAD 环境实现对 CAD 模型的评估和识别，旨在开启黑匣子，并找出影响网络决策的几何特征，帮助设计师对装配工艺进行优化。

    Jan, 2022

  • 基于神经符号人工智能 (NSAI) 算法的预测增材制造聚乳酸 (PLA) 试样冲击强度

    本研究介绍了神经符号人工智能（NSAI）在预测增材制造聚乳酸（PLA）零件的撞击强度方面的应用，该应用结合了神经网络和符号人工智能的优势，比传统机器学习技术提供更强大和准确的预测，从而彰显了优化增材制造过程的潜力。

    May, 2023

  • 机器学习模型中的统一解释：一种扰动方法

    面向可解释人工智能（XAI）的高速范式转变已在近年来出现。高度复杂的机器学习（ML）模型在许多智能任务中蓬勃发展，而问题开始从传统的有效性度量转向更深层次的问题：该模型告诉我关于我的数据什么，它是如何得出这些结论的？XAI 和建模技术之间的不一致可能对这些解释性方法的效力产生质疑。为了解决这些问题，我们提出了一种针对流行的 XAI 的模型不可知方法 SHapley Additive exPlanations（Shap）进行系统的扰动分析。我们设计了一些算法，在动态推理的设置下生成相对特征重要性，这些设置针对一套流行的机器学习和深度学习方法，以及允许我们量化静态情况下生成解释的质量的度量指标。我们提出了特征重要性方法论的分类体系，度量了一致性，并观察了几个数据集中解释模型之间的可量化相似性。

    May, 2024

  • 应用 XAI 和大型语言模型提取化学中人类可解释的结构 - 性质关系

    提出了 XpertAI 框架，将 XAI 方法与大型语言模型相结合，以访问科学文献，自动生成原始化学数据的易于理解的自然语言解释。通过进行 5 个案例研究来评估 XpertAI 的性能，结果表明 XpertAI 将大型语言模型和 XAI 工具的优势结合起来，生成具体、科学和可解释的解释。

    Nov, 2023

  • 何者想要什么以及如何实现：用于可解释人工智能的映射函数

    本研究旨在对现有可解释人工智能研究进行审查，并对 XAI 方法进行分类。该研究目的在于为 XAI 用户提供适当的方法，并将所需属性与当前 XAI 方法相关联，从而为用户提供个性化的解释。

    Feb, 2023

  • 临床数据可解释人工智能方法的实证比较：以创伤性脑损伤为例的案例研究

    利用结构化表格和时间序列生理数据实现了创伤性脑损伤 (TBI) 的短期和长期预测模型，使用六种不同的解释技术分析了局部和全局的预测模型，并对每种方法的优缺点进行了比较，发现 SHAP 是最稳定的，且保真度最高，但理解度低。

    Aug, 2022

  • 用户视角下的可解释人工智能（XAI）- 先前文献综述和未来研究问题解析

    通过系统文献综述研究 AI 解释的四个维度 - 格式、完备性、准确性和时效性，以及 XAI 效应的五个维度 - 信任、透明度、可理解性、可用性和公正性，并且针对未来研究议程提出了研究问题和可能的研究方向，从而开发了一个综合框架，并研究了其对用户行为的影响。

    Nov, 2022