view in publisher's site

Machine learning control — explainable and analyzable methods

Highlights•Machine Learning Control of dynamical System•Explainable AI allows in-depth mathematical analysis of machine’s decisions•Understanding by path-continuation methods using AUTO•Method suitable for automationAbstractRecently, the term explainable AI came into discussion as an approach to produce models from artificial intelligence which allow interpretation. For a long time, symbolic regression has been used to produce explainable and mathematically tractable models. In this contribution, we extend previous work on symbolic regression methods to infer the optimal control of a dynamical system given one or several optimization criteria, or cost functions. In earlier publications, network control was achieved by automated machine learning control using genetic programming. Here, we focus on the subsequent path continuation analysis of the mathematical expressions which result from the machine learning model. In particular, we use AUTO to analyze the solution properties of the controlled oscillator system which served as our model. As a result, we show that there is a considerable advantage of explainable symbolic regression models over less accessible neural networks. In particular, the roadmap of future works may be to integrate such analyses into the optimization loop itself to filter out robust solutions by construction.

روش‌های کنترل یادگیری ماشین - روش‌های آنالیز و آنالیز

نکات مهم: کنترل یادگیری ماشین سیستم دینامیکی، هوش مصنوعی اجازه می‌دهد که تحلیل دقیق ریاضی تصمیمات دستگاه با استفاده از روش استفاده از مسیر مناسب برای automationAbstractRecently، عبارت explainable هوش مصنوعی به عنوان روشی برای تولید مدل‌هایی از هوش مصنوعی که اجازه تفسیر را می‌دهد، مورد بحث قرار گرفت. برای مدتی طولانی، از رگرسیون نمادین برای تولید مدل‌های explainable و ریاضی استفاده شده‌است. در این کمک، ما کار قبلی را روی روش‌های رگرسیون نمادین بسط می‌دهیم تا کنترل بهینه یک سیستم دینامیکی را به یک یا چند معیار بهینه‌سازی و یا توابع هزینه استنتاج کنیم. در انتشارات پیشین، کنترل شبکه توسط کنترل یادگیری ماشین خودکار با استفاده از برنامه‌نویسی ژنتیک بدست آمد. در اینجا ما بر روی تحلیل مسیر بعدی عبارات ریاضیاتی متمرکز می‌شویم که ناشی از مدل یادگیری ماشین هستند. به طور خاص، ما از خودرو برای تحلیل ویژگی‌های راه‌حل سیستم نوسانگر کنترل‌شده استفاده می‌کنیم که به عنوان مدل ما عمل می‌کند. در نتیجه، نشان می‌دهیم که مزیت قابل‌توجهی از مدل‌های رگرسیون نمادین explainable بر روی شبکه‌های عصبی در دسترس کم‌تر وجود دارد. به طور خاص، نقشه راه کاره‌ای آینده ممکن است برای ادغام چنین تجزیه و تحلیل در حلقه بهینه‌سازی خودش باشد تا راه‌حل‌های قوی را از طریق ساخت‌وساز فیلتر کند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Condensed Matter Physics
  • ترجمه مقاله Condensed Matter Physics
  • مقاله فیزیک ماده چگال
  • ترجمه مقاله فیزیک ماده چگال
  • مقاله Statistical and Nonlinear Physics
  • ترجمه مقاله Statistical and Nonlinear Physics
  • مقاله فیزیک آماری و غیرخطی
  • ترجمه مقاله فیزیک آماری و غیرخطی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.