加性特征归因方法:流体动力学和热传递的可解释人工智能综述
原文中文,约200字,阅读约需1分钟。发表于: 。本研究针对流体力学领域中解释数据驱动模型时存在的可解释性缺失问题,提出了一种加性特征归因方法,旨在通过线性模型连接输入特征与模型预测。文章的主要发现是,采用这种方法能够为流体力学中的深度学习模型提供重要的可解释性,促进可解释且符合物理规律的模型的应用。
本研究提出了一种加性特征归因方法,用于解释流体力学领域中的数据驱动模型。该方法能够为深度学习模型提供可解释性,并促进可解释且符合物理规律的模型的应用。