SMT-EX：用于混合变量设计探索的可解释代理建模工具箱
机器学习
2025-03-30 v1 人工智能
机器学习
摘要
代理模型在众多工程应用中备受关注，作为黑箱函数的低成本、高效近似，帮助工程师和实践者做出决策并理解复杂系统。因此，对可解释性方法的需求日益增长，已有大量研究旨在从代理模型中发现知识。为响应此需求，本文介绍SMT-EX，这是对开源Python代理建模工具箱(SMT)的增强版，将可解释性技术集成于前沿代理建模框架中。具体而言，SMT-EX包含三种关键可解释性方法：Shapley可加解释(SHAP)、部分依赖图(PDP)和个体条件期(ICER)。为满足SMT的可解释性需求，本文开发了一种特殊可解释性依赖，可在构建代理模型后轻松激活，为快速提取洞见提供用户友好且高效的工具。通过两个测试案例展示SMT-EX的有效性：第一个案例为10变量翼身权重问题，包含纯连续变量；第二个案例为3变量混合类别的梁板弯曲问题。基于SMT-EX的分析，我们展示了其在处理多样问题特征方面的多样性。SMT-Explainability已开源发布于GitHub：https://github.com/SMTorg/smt-explainability
引用
@article{arxiv.2503.19496,
title = {SMT-EX: An Explainable Surrogate Modeling Toolbox for Mixed-Variables Design Exploration},
author = {Mohammad Daffa Robani and Paul Saves and Pramudita Satria Palar and Lavi Rizki Zuhal and oseph Morlier},
journal= {arXiv preprint arXiv:2503.19496},
year = {2025}
}