PulseAugur
中
实时 22:20:35
English(EN) Explaining Process Control Optimisation Recommendations via GradientSHAP and Implicit Differentiation

新方法使用 GradientSHAP 和 LLM 解释 AI 优化建议

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的方法，结合使用 GradientSHAP 和隐式微分来解释过程控制优化建议。该方法将基于隐函数定理 (IFT) 的敏感性分析与 SHAP 归因和通过大型语言模型 (LLM) 生成的叙述相结合，以创建操作员可理解的解释。该技术显著加快了 SHAP 归因的计算速度，在一个具有 22 个特征的工业问题上实现了超过 40 倍的加速，同时与 KernelSHAP 保持了高度相关性。 AI

影响 通过提供操作员友好的解释，增强了工业环境中 AI 驱动的优化的信任度和采用率。

排序理由 该集群描述了一篇关于工业过程控制中可解释 AI 的新颖方法的详细研究论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法使用 GradientSHAP 和 LLM 解释 AI 优化建议

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Paul Darm, Cem Alpturk, Kenneth Ulrich, William Duncan, Ali Anwar, Annalisa Riccardi ·

    通过 GradientSHAP 和隐式微分解释过程控制优化建议

    arXiv:2607.14970v1 Announce Type: new Abstract: Automated optimisation is increasingly adopted in industrial processes, yet a trust gap persists between engineers who design these algorithms and operators who must act on their recommendations. Explainable AI methods like SHAP (SH…

  2. arXiv cs.AI TIER_1 English(EN) · Annalisa Riccardi ·

    通过 GradientSHAP 和隐式微分解释过程控制优化建议

    Automated optimisation is increasingly adopted in industrial processes, yet a trust gap persists between engineers who design these algorithms and operators who must act on their recommendations. Explainable AI methods like SHAP (SHapley Additive exPlanations) have transformed in…

相关实体

相关话题