基于Kolmogorov-Arnold网络的基于可解释AI的基流识别
计算机视觉与模式识别
2024-10-16 v1
摘要
水文模型常涉及可能在特定应用中并非最佳的本构律。我们提出用Kolmogorov-Arnold网络（KANs）替换此类规律，后者是一类旨在识别符号表达式的神经网络。我们展示了KAN在基流识别中的潜力，这是一个充满挑战的任务，存在显著不确定性。KAN派生的基流组成分对干燥指数的函数依赖关系优于其原始版本。在测试集上，它们将诺顿-沙克利效能指数（NSE）提高67%，将均方根误差降低30%，将金斯-古普塔效能指数提高24%。尽管如此，KAN的优异性能是通过将拟合参数从三个降低到两个来实现的。随后，我们利用来自美国大陆范围378个水文站的资料，在年均尺度上细化水平衡方程。基于细化水平衡的KAN派生方程在性能上优于当前干燥指数模型，NSE提升最高可达105%，也优于基于原始水平衡的KAN派生方程。尽管本模型和基于树的机器学习方法的表现相似，但KAN具有简单性和透明性优势，不需要特定的软件或计算工具。本案例研究聚焦于干燥指数表述，但该方法灵活且可迁移到其他水文过程。
引用
@article{arxiv.2410.11586,
title = {Breaking Modality Gap in RGBT Tracking: Coupled Knowledge Distillation},
author = {Andong Lu and Jiacong Zhao and Chenglong Li and Yun Xiao and Bin Luo},
journal= {arXiv preprint arXiv:2410.11586},
year = {2024}
}
备注
Accepted by ACM MM2024