GINN-KAN：具有物理信息的神经网络的可解释性管道
原文中文，约400字，阅读约需1分钟。发表于：。本文解决了神经网络“黑箱”特性带来的可解释性欠缺问题，提出了一种新的可解释性管道方法，结合多种可解释性技术以超越单一技术的局限。研究发现，所提出的GINN-KAN模型在处理费曼符号回归基准数据集及15个不同偏微分方程时，显著优于传统的黑箱网络，展现了其在自然科学中深度学习应用的广泛潜力。
GINN-LP是一种可解释的神经网络，以多元Laurent多项式的形式发现数据集的潜在方程。它在SRBench基准数据集的子集上优于现有的符号回归方法。将GINN-LP与高性能符号回归方法相结合，相比最佳竞争对手，方程发现的绝对改进率达到7.1%。
