- k-аддитивный подход на основе интеграла Шоке для аппроксимации значений SHAP для обеспечения локальной интерпретации в машинном обучении(arXiv)
Автор:Гильерме Дин Пелегрина, Леонардо Томазели Дуарте, Мишель Грабиш
Аннотация. Помимо точности, недавние исследования моделей машинного обучения касались вопроса о том, как можно интерпретировать полученные результаты. Действительно, хотя сложные модели машинного обучения способны давать очень хорошие результаты с точки зрения точности даже в сложных приложениях, их трудно интерпретировать. Чтобы обеспечить некоторую интерпретируемость для таких моделей, один из самых известных методов, называемый SHAP, заимствует концепцию значения Шепли из теории игр, чтобы локально объяснить прогнозируемый результат интересующего экземпляра. Поскольку расчет значений SHAP требует предварительных вычислений для всех возможных сочетаний атрибутов, его вычислительная стоимость может быть очень высокой. Поэтому основанный на SHAP метод, называемый Kernel SHAP, использует эффективную стратегию, которая аппроксимирует такие значения с меньшими вычислительными затратами. В этой статье мы также рассматриваем локальную интерпретируемость в машинном обучении на основе значений Шепли. Во-первых, мы предлагаем простую формулировку основанного на SHAP метода для локальной интерпретируемости с использованием интеграла Шоке, который приводит как к значениям Шепли, так и к индексам взаимодействия Шепли. Более того, мы также используем концепцию k-аддитивных игр из теории игр, что способствует снижению вычислительных затрат при оценке значений SHAP. Полученные результаты свидетельствуют о том, что наше предложение требует меньше вычислений на коалициях атрибутов для аппроксимации значений SHAP.
2. Помимо формирования аналогового луча на основе кодовой книги в миллиметровом диапазоне: сжатые методы измерения и машинного обучения(arXiv)
Автор: Хамед Пезешки, Фабио Валерио Массоли, Араш Бехбуди, Тэсан Ю, Арумугам Каннан, Махмуд Тахерзаде Боружени, Цяою Ли, Тао Луо. , Джозеф Б. Сориага
Вывод:аналоговое формирование луча является преобладающим подходом к связи на миллиметровых волнах (mmWave), учитывая его благоприятные характеристики для устройств с ограниченными ресурсами. В этой работе мы стремимся сократить разрыв в спектральной эффективности между аналоговыми и цифровыми методами формирования луча. Мы предлагаем метод уточненного выбора луча на основе предполагаемого исходного канала. Оценка канала, недоопределенная проблема, решается с использованием методов сжатого зондирования (CS), использующих разреженность угловой области канала. Чтобы уменьшить сложность методов CS, мы предлагаем итеративный алгоритм мягкого порога изучения словаря, который совместно изучает разреженный словарь и реконструкцию сигнала. Мы оцениваем предложенный метод на реалистичной установке mmWave и показываем значительное улучшение производительности по сравнению с подходами аналогового формирования луча на основе кодовой книги.
3.Уникальный кольцеобразный радиоисточник с четырехугольной структурой, обнаруженный с помощью машинного обучения(arXiv)
Автор: Мишель Лохнер, Лоуренс Рудник, Иэн Хейвуд, Кенда Ноулз, Станислав С. Шабала.
Аннотация: мы сообщаем об обнаружении уникального объекта в исследовании MeerKAT Galaxy Cluster Legacy Survey (MGCLS) с использованием алгоритма обнаружения аномалий машинного обучения. Этот странный кольцеобразный источник находится в 30 футах от поля MGCLS с центром в Abell 209, и его нелегко объяснить простыми физическими моделями. При предполагаемой родительской галактике с красным смещением 0,55 светимость (10²⁵ Вт/Гц) сравнима с мощными радиогалактиками. Источник состоит из эмиссионного кольца диаметром 175 кпк, четырехугольных областей повышенной яркости, напоминающих радиоджеты, двух "ушей", разделенных расстоянием 368 кпк, и диффузной оболочки. Все структуры кажутся спектрально крутыми в диапазоне от -1,0 до -1,5. Кольцо имеет высокую поляризацию (25%), за исключением ярких участков (‹10%). Мы сравниваем этот источник с нечетными радиокругами, недавно обнаруженными в данных ASKAP, и обсуждаем несколько возможных физических моделей, в том числе завершающий шок от активности звездообразования, радиогалактику с концом и слияние сверхмассивных черных дыр. Ни одна простая модель не может легко объяснить наблюдаемую структуру источника. Эта работа, как и другие недавние открытия, демонстрирует возможности неконтролируемого машинного обучения при извлечении больших наборов данных из источников, представляющих интерес с научной точки зрения.
