基于 SHAP 聚类的 XAI 自适应学习：用于能源消耗预测
机器学习
2024-02-08 v1 数据库
摘要
本文提出一种将可解释人工智能 (XAI) 技术与自适应学习相结合以增强能源消耗预测模型的方法，特别是处理数据分布迁移问题。利用 SHAP 聚类，该方法为模型预测提供可解释解释，并利用这些洞察信息自适应地细化模型，平衡模型复杂度与预测性能。我们引入一个三阶段过程：(1) 获取 SHAP 值以解释模型预测；(2) 对 SHAP 值进行聚类，以识别不同模式和异常值；(3) 基于推导出的 SHAP 聚类特征对模型进行细化。我们的做法缓解了过拟合问题，确保在处理数据分布迁移时具有鲁棒性。我们在包括建筑能源消耗记录的综合数据集上进行评估，同时使用两个额外的数据集来评估该方法在其他领域（回归和分类问题）的可移植性。我们的实验表明，该方法在两种任务类型中均有效，结果是改进的预测性能和可解释的模型解释。
引用
@article{arxiv.2402.04982,
title = {Beyond explaining: XAI-based Adaptive Learning with SHAP Clustering for Energy Consumption Prediction},
author = {Tobias Clement and Hung Truong Thanh Nguyen and Nils Kemmerzell and Mohamed Abdelaal and Davor Stjelja},
journal= {arXiv preprint arXiv:2402.04982},
year = {2024}
}
备注
A short version of this paper was published at the Australasian Joint Conference on Artificial Intelligence in 2023