GINN-KAN：基于可解释管道化的物理信息神经网络
机器学习
2024-08-29 v2 人工智能
摘要
神经网络虽然是强大的函数逼近器，但其“黑箱”特性往往导致难以解释。虽然已有许多事后解释方法，但通常无法捕捉网络所学习的输入输出关系的内在推理过程。 truly 可解释的神经网络应类似传统模型进行训练（如使用反向传播），同时能够提供对所学习输入输出关系的洞见。本文引入可解释管道化概念，以整合多种可解释技术以超越单个技术的表现。为此，我们首先评估了承诺可解释性的多种网络架构，重点关注两种近期模型：Growing Interpretable Neural Network (GINN) 和 Kolmogorov Arnold Networks (KAN)。我们分析了每种方法的局限性与优势，并提出一种新型可解释神经网络 GINN-KAN，综合两者优势。在费曼符号回归基准数据集上，GINN-KAN 的性能优于 GINN 和 KAN。为凸显该方法的潜力与可推广性，将 GINN-KAN 作为传统黑箱网络在物理信息神经网络 (PINNs) 中的替代方案。我们预期这将对自然科学中深度学习管道的应用具有深远影响。我们对该可解释 PINN 在 15 个不同偏微分方程上的实验表明，GINN-KAN 增强的 PINN 在求解偏微分方程方面优于使用黑箱网络的 PINN，并超越了 GINN 和 KAN 的能力。
引用
@article{arxiv.2408.14780,
title = {GINN-KAN: Interpretability pipelining with applications in Physics Informed Neural Networks},
author = {Nisal Ranasinghe and Yu Xia and Sachith Seneviratne and Saman Halgamuge},
journal= {arXiv preprint arXiv:2408.14780},
year = {2024}
}