English(EN) PINNfluence: Interpreting PINNs through Influence Functions

新框架 PINNfluence 助力物理信息神经网络的解释

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-03 04:00

研究人员开发了 PINNfluence，一个旨在解释物理信息神经网络（PINNs）行为的新框架。该方法利用影响函数将网络的预测和损失组件归因于特定的训练数据点。实验表明，PINNfluence 能够区分训练良好和训练不佳的 PINNs，为理解和提高其可靠性提供了更精细的诊断工具。 AI

影响为科学建模中使用的物理信息神经网络的诊断和可靠性改进提供了一种新方法。

排序理由该集群包含一篇详细介绍特定类型神经网络新可解释性框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Aleksander Krasowski, Jonas R. Naujoks, Moritz Weckbecker, Galip \"U. Yolcu, Thomas Wiegand, Sebastian Lapuschkin, Wojciech Samek, Ren\'e P. Klausen · 2026-06-03 04:00

PINNfluence：通过影响函数解释PINNs

arXiv:2409.08958v3 Announce Type: replace-cross Abstract: Physics-informed neural networks (PINNs) have emerged as a powerful deep learning approach for solving partial differential equations (PDEs) in the physical sciences, yet their behavior remains largely opaque and is typica…