深入的Tutti-fruttiII:CNN架构的可解释性对于水果干物质预测

科学领域:

• 化学测量 化学测量 化学测量
• 机器学习 机器学习
• 频谱学是一种光谱学.

背景情况:

• 深度学习模型,特别是CNN,在化学测量中越来越多地用于复杂数据分析.
• 这些模型的一个主要局限是它们的"黑子"性质,阻碍了信任和采用.
• 可解释性方法对于理解科学应用中的模型决策至关重要.

研究的目的:

• 应用和比较可解释性技术 (回归系数,LIME,SHAP) 与CNN用于多果干物质预测.
• 描述卷积过器,以了解它们在光谱数据转换中的作用.
• 确定驱动模型预测的关键光谱特征,并评估模型的解释性.

主要方法:

• 应用了三个可解释性方法:回归系数,LIME和SHAP.
• 为近红外 (NIR) 光谱数据开发和优化各种CNN架构.
• 卷积过器的表征,以分析光谱变换.
• 功能重要性分析,以精确确定相关的波长频段.

主要成果:

• 可解释性方法成功地确定了对于干物质预测在不同的CNN中至关重要的波长频段.
• CNNs将类似的信息频段确定为传统的部分最小平方 (PLS) 模型.
• CNNs表现出一种倾向,即学习适用于多种水果谱的域不变特征.
• 通过CNN层确定了三种不同的建模方法:数据驱动的预处理,维度减少和层次特征提取.

结论:

• 可解释性方法提高了深度化学测量模型的可解释性,用于光谱分析.
• 对于定量预测,CNN可以有效地识别生物相关的光谱特征.
• 这些发现支持在化学测量中使用可解释的深度学习来进行可靠和可靠的分析.