Video Experimental Relacionado
Updated: Sep 8, 2025
05:47
Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
565
Una memoria híbrida a largo plazo con modelo aditivo generalizado e inteligencia artificial explicable post-hoc con
Israel Edem Agbehadji1, Ibidun Christiana Obagbuwa2
1Centre for Global Change, Sol Plaatje University, Kimberley, South Africa.
Frontiers in artificial intelligence
|August 20, 2025
Resumen
Este estudio introduce un nuevo modelo de aprendizaje profundo (LSTM-GAM_xAI) para predecir la contaminación del aire. El modelo captura con precisión las relaciones complejas de contaminantes, ofreciendo una mejor previsión e interpretación para el monitoreo ambiental.
Área de la Ciencia:
- Ciencias del medio ambiente
- Ciencia de los datos
- Inteligencia artificial
Sus antecedentes:
- La contaminación atmosférica presenta una dinámica compleja y no lineal que desafía a los modelos de previsión tradicionales.
- La predicción precisa de las concentraciones de contaminantes atmosféricos es crucial para la salud pública y la gestión del medio ambiente.
- Los modelos de aprendizaje profundo existentes a menudo carecen de interpretabilidad con respecto a los factores que influyen en las predicciones.
Objetivo del estudio:
- Desarrollar un modelo híbrido de aprendizaje profundo que integre la memoria a corto plazo (LSTM) y los modelos aditivos generalizados (GAM) para el análisis de series temporales de contaminantes atmosféricos.
- Mejorar la interpretabilidad del modelo utilizando técnicas de Inteligencia Artificial Explicable (xAI, por sus siglas en inglés) post-hoc, específicamente las Explicaciones de Modelo Agnóstico Interpretables Locales (LIME, por sus siglas en inglés).
- Investigar la inferencia causal de las relaciones de contaminantes del aire, abordando una limitación en los enfoques estándar de aprendizaje profundo.
Principales métodos:
- Se propuso un nuevo modelo LSTM-GAM_xAI, que combina LSTM para las dependencias temporales y GAM para las relaciones estadísticas.
- Se empleó la técnica Local Interpretable Model-agnostic Explanations (LIME) para la interpretabilidad post-hoc de las no linealidades.
- Se aplicaron métodos de inferencia causal para analizar el impacto de las relaciones entre los contaminantes atmosféricos.
- Se utilizaron datos meteorológicos y de contaminantes atmosféricos de una estación de monitoreo de Sudáfrica, y se generaron datos sintéticos para Kimberley.
Principales resultados:
- El modelo LSTM-GAM_xAI demostró un rendimiento superior en la predicción de múltiples contaminantes atmosféricos en diferentes etapas de tiempo (5 y 10 días).
- El modelo alcanzó los valores más bajos de error cuadrado medio (MSE), lo que indica una alta precisión de predicción.
- Si bien el análisis del efecto causal no arrojó valores p significativos, el poder predictivo del modelo fue consistentemente alto.
Conclusiones:
- El modelo LSTM-GAM_xAI propuesto aborda efectivamente las características no lineales de los contaminantes atmosféricos, ofreciendo predicciones precisas e interpretables.
- La integración de LSTM, GAM y xAI proporciona un marco sólido para la previsión de series temporales ambientales.
- Este enfoque híbrido mejora la comprensión de la dinámica de los contaminantes atmosféricos y apoya las decisiones informadas de política ambiental.
