基于专家混合的可解释数据驱动建模：实现灰箱与黑箱模型的有效融合

随着系统复杂性的增加，基于第一性原理的传统模型往往难以保证精度。相反，机器学习方法虽然强大，但在可解释性和处理物理约束方面面临挑战。将这两种模型结合的努力常常在寻找精度与复杂性之间的平衡时遇到困难。为了解决这些问题，我们提出了一个基于“专家混合”理念的综合框架。这种方法能够实现基于数据的多样化局部模型融合，充分利用基于第一性原理的先验知识的全部潜力。我们的解决方案允许专家独立训练，借鉴了机器学习和系统辨识的技术，并支持协作和竞争两种学习范式。为了增强可解释性，我们对专家组合中的突变进行惩罚。实验结果验证了我们的方法在产生一个与目标现象紧密相似的可解释模型组合方面的有效性。