PulseAugur
中
实时 10:41:21
English(EN) SEAM: Global consistency beyond local accuracy in scientific machine learning

新的SEAM框架确保科学机器学习中的全局一致性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为SEAM（科学解释-可采纳性机器）的新框架，旨在确保科学机器学习模型的全局一致性。与在局部数据划分上验证模型的传统方法不同，SEAM提供了一种与生成器无关的方法来评估局部解释是否可以组合成全局连贯的科学叙述。该框架以SEAM-$\Omega$的形式实现，用结构化解释表示区域，并通过比较相邻解释来识别不一致之处，从而定位故障并测试相互竞争的叙述。在合成偏微分方程系统和傅里叶神经算子监控方面的实验表明，即使局部预测准确，SEAM也能检测到不兼容的解释，并将故障归因于特定的通道和重叠。 AI

影响 为科学应用中AI解释的全局一致性审计引入了一种新颖的方法。

排序理由 该集群包含一篇详细介绍科学机器学习新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的SEAM框架确保科学机器学习中的全局一致性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Gnankan Landry Regis N'guessan, Bum Jun Kim ·

    SEAM：科学机器学习中的全局一致性超越局部精度

    arXiv:2608.05702v1 Announce Type: new Abstract: Scientific machine learning commonly validates models at the level of a subdomain, a benchmark split, or an explanation for one prediction. Yet such local checks cannot establish whether the resulting explanations can be assembled i…

相关实体

相关话题