A Self-Interpretable Soft Sensor Based on Deep Learning and Multiple Attention Mechanism: From Data Selection to Sensor Modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For deep learning-based soft sensors, the lack of interpretability and the consequent unreliability has become one of the most important problems. In this article, a neural network scheme called the deep multiple attention soft sensor (DMASS), which consists solely of attention mechanisms, is proposed to develop a self-interpretable soft sensor. DMASS was established to ensure the self-interpretability of data selection and sensor modeling and try to integrate these originally independent phases into the single scheme. First, the existing attention mechanisms’ core implementation steps are summarized as a unified form, and then the variable attention mechanism and time lag attention mechanism are proposed. When DMASS's training is completed, the obtained attention weights provide the self-interpretable data selection results. Then, a self-attention activation structure (SAAS) is proposed to extract the nonlinear spatio-temporal features of data. The mathematical expression for the extracted feature, the SAAS's attention matrix, the information path diagram for DMASS's training, and the uncertainty-aware interval prediction show the self-interpretability of sensor modeling. Finally, DMASS was applied to predict the thermal deformation of the air preheater rotor, and the validity of DMASS's self-interpretability is verified by the known mechanism analysis and information bottleneck theory. Meanwhile, DMASS's great sensing performance was confirmed through comparison with other novel soft sensors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle