静电纺丝中特征重要性的跨模型一致性：区分鲁棒特征与模型依赖特征
机器学习
2026-05-13 v2 数据库
摘要
静电纺丝是一种高度敏感的制造工艺，其中操作参数的微小变化会显著影响纤维形态和材料性能。机器学习（ML）方法越来越多地被用于建立这些工艺-结构关系模型，并识别加工变量的相对重要性。然而，大多数现有研究依赖于单一的 ML 模型，隐含地假设由此产生的特征重要性是鲁棒且可复现的。在本研究中，使用包含 96 个聚乙烯醇（PVA）静电纺丝实验的精选数据集，系统评估了多个 ML 模型族之间特征重要性的一致性。训练并比较了代表线性、基于树、基于核、神经网络和基于实例方法的 21 个 ML 模型。为了提供统一的可解释性框架，使用 SHAP（SHapley Additive exPlanations）值在所有模型中一致地计算特征重要性。然后进行基于排名的统计分析，以量化模型间的一致性并评估参数排名的鲁棒性。结果表明，预测性能和解释可靠性是根本不同的属性。尽管多个模型实现了可比的预测准确率，但在其特征重要性排名中观察到了显著差异。溶液浓度是最鲁棒且持续具有影响力的参数（变异性 = 0），而流速和施加电压表现出高排名变异性（变异性 > 0.9），表明强烈的模型依赖性。这些发现表明，从单一 ML 模型导出的特征重要性可能不可靠，特别是对于小型实验数据集，并突出了跨模型验证对于在 ML 辅助静电纺丝研究中实现可信解释的重要性。
引用
@article{arxiv.2605.04905,
title = {Cross-Model Consistency of Feature Importance in Electrospinning: Separating Robust from Model-Dependent Features},
author = {Mehrab Mahdian and Ferenc Ender and Tamas Pardy},
journal= {arXiv preprint arXiv:2605.04905},
year = {2026}
}