BriefGPT - AI 论文速递
·
SHIELD：可解释人工智能的正则化技术
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本论文提出了一种整合可解释的人工智能技术与自适应学习的方法来增强能源消耗预测模型。该方法利用SHAP聚类方法为模型的预测结果提供可解释的解释，并根据这些洞察力来自适应地改进模型。实验结果表明该方法在回归和分类问题中均有效。
🎯
关键要点
- 本论文提出了一种整合可解释的人工智能技术与自适应学习的方法来增强能源消耗预测模型。
- 该方法重点处理数据分布变化，利用SHAP聚类方法提供可解释的预测结果。
- 方法包括三阶段过程：获取SHAP值、聚类SHAP值识别模式和异常值、根据SHAP聚类特征改进模型。
- 该方法能够减轻过拟合并确保处理数据分布变化的鲁棒性。
- 在建筑物能耗记录及两个额外数据集上评估方法的可迁移性。
- 实验结果表明该方法在回归和分类问题中均有效，改善预测性能并提供可解释的模型解释。
➡️
