Beyond explaining: XAI-based Adaptive Learning with SHAP Clustering for Energy Consumption Prediction

要約

この論文では、データ分布の変化の処理に重点を置き、説明可能な人工知能 (XAI) 技術と適応学習を統合してエネルギー消費予測モデルを強化するアプローチを紹介します。
SHAP クラスタリングを活用することで、私たちの手法はモデル予測について解釈可能な説明を提供し、これらの洞察を使用してモデルを適応的に改良し、モデルの複雑さと予測パフォーマンスのバランスをとります。
3 段階のプロセスを導入します: (1) モデルの予測を説明するために SHAP 値を取得する、(2) 明確なパターンと外れ値を識別するために SHAP 値をクラスタリングする、(3) 導出された SHAP クラスタリング特性に基づいてモデルを改良する。
私たちのアプローチは過剰適合を軽減し、データ分布の変化を処理する際の堅牢性を保証します。
私たちは、建物のエネルギー消費記録で構成される包括的なデータセットと、他のドメイン、回帰、および分類問題へのアプローチの適用可能性を評価するための 2 つの追加のデータセットでメソッドを評価します。
私たちの実験では、両方のタスク タイプにおけるアプローチの有効性が実証されており、その結果、予測パフォーマンスが向上し、解釈可能なモデルの説明が得られます。

要約(オリジナル)

This paper presents an approach integrating explainable artificial intelligence (XAI) techniques with adaptive learning to enhance energy consumption prediction models, with a focus on handling data distribution shifts. Leveraging SHAP clustering, our method provides interpretable explanations for model predictions and uses these insights to adaptively refine the model, balancing model complexity with predictive performance. We introduce a three-stage process: (1) obtaining SHAP values to explain model predictions, (2) clustering SHAP values to identify distinct patterns and outliers, and (3) refining the model based on the derived SHAP clustering characteristics. Our approach mitigates overfitting and ensures robustness in handling data distribution shifts. We evaluate our method on a comprehensive dataset comprising energy consumption records of buildings, as well as two additional datasets to assess the transferability of our approach to other domains, regression, and classification problems. Our experiments demonstrate the effectiveness of our approach in both task types, resulting in improved predictive performance and interpretable model explanations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google