从黑盒到玻璃盒：用BIOVIA Pipeline Pilot解锁SISSO的科学洞见

文章预览

应用于化学和生物学的大多数机器学习算法都是黑盒模型，用于预测给定目标性质。 1–3 模型接收输入特征并生成输出，但由于模型结构复杂，其内部运作机制往往难以理解或完全未知。因此，从这些模型中提取有意义的科学见解是长期以来的一大挑战。 1,4 可解释的机器学习（ML）模型既具备预测能力，又结合了可解释的物理方程，在众多科学领域获得了广泛关注。 1,2,5,6 我们的目标是构建所谓的玻璃盒模型，即用简单的物理方程将输入特征与目标性质联系起来。通过这种方式，数据中的关系得以揭示，进而从模型中获得更深层次的科学洞见。 图1：黑盒模型与可解释玻璃盒模型示意图 确定独立性筛选和稀疏算子——SISSO 在为可解释机器学习开发的方法中，“确定独立性筛选和稀疏算子（Sure Independence Screening and Sparsifying Operator）——SISSO”方法 ………………………………