Insights into the application of explainable artificial intelligence for biological wastewater treatment plants: Updates and perspectives
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
Explainable artificial intelligence (XAI) is an interactive platform that assists users in comprehending the decisions and predictions made by machine learning (ML) models. This allows users to enhance their knowledge of ML models and their functioning, which not only helps in mitigating bias and errors but also aids in improving user decision-making confidence. XAI, due to its ability to increase the model output interpretation, has gained significant attention in biological wastewater treatment plants (WWTPs). This is owing, in particular, to the fact that it facilitates the experts in steering knowledge about the predictions and decisions made by ML, thus guaranteeing that the model decisions are fair and unbiased. ML has made amazing advances in recent years, thanks to its exponential growth in possessing the power to process massive volumes of data, allowing it to be widely embraced in WWTPs. This review seeks to illustrate the potential of XAI for WWTP applications such as process modeling and control, soft sensing, fusion of data, and the internet of things, and fill the knowledge gap by thoroughly introducing XAI techniques and their use in smart wastewater engineering. Overall, the features of XAI can aid in establishing reliable and efficient water resource management , which is quintessential to achieving environmental sustainability . It is envisioned that the prospects offered would spark new lines of study, helping to reduce the current skepticism and apprehension about ML adoption and integration in WWTP.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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