加法特征归因方法：流体力学与传热的可解释人工智能综述
流体动力学
2024-09-19 v1 人工智能
摘要
由于数据驱动方法在流体力学中的适应能力强、能够处理湍流流动的复杂且多尺度特性，以及检测大规模模拟或实验测试中的模式，其在近年来呈现显著增长。在训练过程中需要解释模型中生成的关系，必须为输入特征分配数值归因。一个重要示例是加法特征归因方法。这些可解释性方法将输入特征与模型预测关联，提供基于模型线性公式的解释。SHApley Additive exPlanations（SHAP 值）被形式化为唯一能提供模型理解解决方案的解释方法。本文介绍了加法特征归因方法，展示了文献中四种常见实现：kernel SHAP、tree SHAP、gradient SHAP 和 deep SHAP。随后介绍了加法特征归因方法的主要应用，将其分为三个主要组别：湍流建模、流体力学基本原理以及流体力学与传热中的应用问题。本综述显示，可解释性技术，特别是加法特征归因方法，在流体力学领域实施可解释且符合物理规律的深度学习模型方面至关重要。
引用
@article{arxiv.2409.11992,
title = {Additive-feature-attribution methods: a review on explainable artificial intelligence for fluid dynamics and heat transfer},
author = {Andrés Cremades and Sergio Hoyas and Ricardo Vinuesa},
journal= {arXiv preprint arXiv:2409.11992},
year = {2024}
}