MAKE被ESCI数据库收录 | MDPI News
发表时间:2021-05-28 阅读量:2354
MDPI期刊Machine Learning and Knowledge Extraction (MAKE) (ISSN 2504-4990) 于2021年4月 被Web of Science的Emerging Sources Citation Index (ESCI) 数据库收录。在此,MAKE 向为期刊发展作出巨大贡献的主编、编委、客座编辑、审稿专家和作者们表示衷心的感谢,向长期关注期刊发展的读者表示最诚挚的谢意,现诚邀国内外广大学者投稿。
Prof. Dr. Andreas Holzinger
格拉茨医科大学
Andreas Holzinger教授于1998年获得格拉茨大学认知科学博士学位,于2003年获得格拉茨理工大学计算机科学博士学位 (第二博士学位)。他曾在伦敦大学学院,伦敦米德塞斯大学,维也纳工业大学,阿尔伯塔大学担任客座教授。2011年,Andreas Holzinger教授成立了国际研究网络HCI-KDD,每年组织一次研讨会,以促进人机交互 (HCI) 和知识发现/数据挖掘 (KDD) 两个领域的协同合作,为设计、开发、测试和评估高效的以人为中心的AI提供理想条件。在2017年,他将这些HCI-KDD研讨会重命名为xAI研讨会,并将其整合为年度IFIP跨域机器学习和知识提取 (CD-MAKE)会议的一部分。MAKE 期刊正是基于该会议创立的期刊,每年,主编及期刊都会在CD-MAKE的会议上组织编委会。Andreas Holzinger教授现已发表350余篇文章,文章的总引用超过7000。
1. Deep Theory of Functional Connections: A New Method for Estimating the Solutions of Partial Differential Equations
功能连接的深层理论:一种估计偏微分方程解的新方法
Carl Leake and Daniele Mortari
https://doi.org/10.3390/make2010004
本文提出了一种新的方法-深度功能连接理论 (TFC),该方法将神经网络与功能连接理论相结合,用于估计偏微分方程的解。该方法通过将PDE的约束解析嵌入到一个包含自由函数的“约束表达式”中,从而将PDE问题转化为无约束优化问题。在本研究中,自由函数为一个神经网络,用来解决目前无约束优化问题。该优化问题包括最小化被选为PDE残差平方的损失函数。以无监督的方式训练神经网络以最小化此损失函数。与用于估计PDE解决方案的流行方法相比,该方法有两个主要区别。首先,该方法不需要将域离散为网格,而是可以在训练阶段从域中随机采样点。其次,在训练之后,该方法会在整个训练领域中为解决方案提供精确的分析近似值。由于该方法产生了解析解决方案,因此可以直接在域内的任何位置获取解决方案,并在需要时执行进一步的操作,如微分。相反,如果在不位于离散网格上的点上需要估计解,或者如果必须对估计解进行进一步处理,则需要其他的数值分析技术。
2. Explainable AI Framework for Multivariate Hydrochemical Time Series
多元水化学时间序列的可解释AI框架
Michael C. Thrun et al.
https://doi.org/10.3390/make3010009
对水质及其基本过程的理解对于保护水生环境非常重要。利用与领域专家接触的难得机会,提出了适用于多元时间序列的可解释的AI (XAI) 框架。XAI提供了领域专家可以解释的解释。在三个步骤中,它将基于距离的数据驱动选择与基于投影的聚类指导的监督决策树结合在一起。多元时间序列包括水质测量值,包括硝酸盐,电导率和其他十二个环境参数。通过确定一个群集内的相似天数和群集之间的相异天数来研究水质与环境参数之间的关系。称为DDS-XAI的框架不依赖于有关数据结构的先验知识,其解释具有趋向性。数据中的关系可以通过代表高维结构的地形图来可视化。两种最先进的XAI (称为eUD3.5) 和迭代错误最小化 (IMM) 无法从三个多元时间序列数据中提供有意义且相关的解释。DDS-XAI框架可以快速应用于新数据。提供了XAI框架所有步骤的R中的开源代码,并且这些步骤面向应用程序而结构化。
3. A Novel Ramp Metering Approach Based on Machine Learning and Historical Data
基于机器学习和历史数据的新型匝道计量方法
Saeed Ghanbartehrani et al.
https://doi.org/10.3390/make2040021
高速公路上交通状况的随机性会导致交通拥挤和交通不规则。匝道计量是一种在各种交通状况下保持高速公路效率的有效的方法。考虑到关键交通措施和历史数据的可靠,实用的匝道计量算法仍然是一个具有挑战性的问题。在这项研究中,我们使用简单的机器学习方法来开发一种新颖的实时斜坡计量算法。所提出的算法在计算上很简单并且对数据的要求最小,这使其在实际应用中很实用。我们进行了一个仿真研究,以评估和比较提出的方法与现有的交通响应匝道计量算法。
4. The Importance of Loss Functions for Increasing the Generalization Abilities of a Deep Learning-Based Next Frame Prediction Model for Traffic Scenes
损失函数对于提高基于深度学习的交通场景下一帧预测模型的泛化能力的重要性
Sandra Aigner and Marco Körner
https://doi.org/10.3390/make2020006
本文详细分析了基于深度学习的交通场景下一帧预测模型中不同损失函数对泛化能力的影响。我们的预测模型是卷积长期短期记忆 (ConvLSTM) 网络,在观察了四个过去帧序列的原始像素值之后,它会生成下一帧的像素值。我们使用Cityscapes Sequences数据集和相同的超参数设置,用七个损失项的21种组合来训练模型。损失项的范围从基于像素错误的项到对抗项。为了评估所得模型的泛化能力,我们针对距训练数据集视距增加的四个数据集 (KITTI跟踪、BDD100K、UA-DETRAC和KIT AIS车辆) 生成了多达20个时间步长的预测。使用传统的基于像素的评估指标,即均方误差 (MSE)、峰值信噪比(PSNR) 和结构相似性指标 (SSIM),以及最近的更先进的技术,对所有预测的帧进行了定量评估基于特征的评估指标,即弗雷谢特起始距离(FID) 和学习的感知图像补丁相似度 (LPIPS)。结果表明,仅通过选择不同的损失组合,我们就可以将新数据集的预测性能提高多达55%,对于长期预测,则可以提高多达50%。
Machine Learning and Knowledge Extraction (MAKE) (ISSN 2504-4990)是MDPI出版的开放获取期刊, 于2017年创刊,由格拉茨医科大学的Andreas Holzinger教授担任主编至今。出版的内容涉及机器学习及其应用的各领域。期刊主题分为七个部分,涵盖了全面的机器学习方法,从数据预处理到结果可视化的整个机器学习和知识提取与发现的流程,始终侧重于隐私、数据保护、 安全性和保障方面。目前,MAKE的编委会由来自世界各地的共56位知名学者组成。MAKE采取单盲同行评审,一审周期约为21.3天,文章从接收到发表仅需3.5天。
版权声明:
文案作者:MAKE Editorial Office
本文内容由MDPI中国办公室编辑负责撰写,一切内容请以英文原版为准。如需转载,请邮件联系:mdpicnmarketing@mdpi.com