УДК 681.5
МЕТОДИКА ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ МОДЕЛЕЙ ИНТЕЛЛЕКТУАЛЬНЫХ ЦИФРОВЫХ ДВОЙНИКОВ НА ОСНОВЕ АДДИТИВНОЙ АТРИБУЦИИ ПРИЗНАКОВ
В. П. Корячко, д.т.н., профессор, заведующий кафедрой САПР ВС РГРТУ, Рязань, Россия;
orcid.org/0000-0003-0272-673X, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
М. С. Кошелева, аспирант кафедры САПР ВС РГРТУ, Рязань, Россия;
orcid.org/0009-0000-5265-4733, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
В. И. Орешков, к.т.н., доцент, доцент кафедры САПР ВС РГРТУ, Рязань, Россия;
orcid.org/0000-0003-0316-4927, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
В статье рассматривается задача повышения эффективности моделей машинного обучения, применяемых в интеллектуальных цифровых двойниках (ИЦД). Проводится аналитический обзор методов повышения объяснимости моделей машинного обучения, используемых в ИЦД, в контексте дилеммы «объяснимость-точность». Предложена новая комбинированная методика повышения локальной объяснимости признаков обучающего набора данных, основанная на использовании аддитивной атрибуции признаков совместно с оценкой предсказательной эффективности признаков на всем наборе данных. На примере нейросетевой модели цифрового двойника кредитного менеджера проведён численный эксперимент, отразивший соответствие практических результатов теоретическим положениям. В частности, показано, что отбор признаков для обучения модели с точки зрения повышения ее объяснимости может оказаться неоптимальным с точки зрения ее предсказа- тельной эффективности, следовательно, требуется ее дополнительная проверка. Новизна работы заключается в разработке методики комбинированного применения аддитивной атрибуции признаков совместно с оценкой их предсказательной способности, что позволяет решать проблему объяснимости в контексте компромисса «объяснимость-точность».
Ключевые слова: искусственный интеллект, интеллектуальный цифровой двойник, объяснимый искусственный интеллект, модели машинного обучения, самообъяснимые модели, posthoc-объяснение, метод аддитивной атрибуции признаков, объяснимость, интерпретируемость.