从应用于 LISA Pathfinder 收集的宇宙射线数据的不透明预测器中提取符号知识
高能天体物理现象
2022-09-13 v1 天体物理仪器与方法
机器学习
摘要
机器学习模型如今在太空任务中无处不在,执行从多元时间序列预测到输入数据中特定模式检测等多种任务。所采用的模型通常是深度神经网络或其他复杂的机器学习算法,提供的预测是不透明的,即人类用户无法理解所提供预测背后的原理。文献中存在若干技术,可将不透明机器学习模型令人印象深刻的预测性能与人类可理解的预测解释相结合,例如符号知识提取方法的应用。本文报道了将不同知识提取器应用于一个能够复现 LISA Pathfinder 太空任务中收集的宇宙射线数据的集成预测器的结果。文中还讨论了所提取知识的可读性/保真度权衡。
引用
@article{arxiv.2209.04697,
title = {Symbolic Knowledge Extraction from Opaque Predictors Applied to Cosmic-Ray Data Gathered with LISA Pathfinder},
author = {Federico Sabbatini and Catia Grimani},
journal= {arXiv preprint arXiv:2209.04697},
year = {2022}
}