پروژه های آماده داده کاوی

این پروژه یک تحقیق آماده با موضوع، بررسی الگوریتم تفسیرپذیر SHAP و کاربرد آن در مسئله راه و ترابری با مطالعه موردی مقاله TrafPSدر ۳۶ صفحه ورد می باشد. در ادامه قسمتی از این تحقیق را خواهیم داشت: بررسی الگوریتم تفسیرپذیر SHAP و کاربرد آن در مسئله راه و ترابری با مطالعه موردی مقاله TrafPS TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic نویسندگان: Zezheng Feng, Yifan Jiang, Hongjun Wang, Zipei Fan, Yuxin Ma, Shuang-Hua Yang, Huamin Qu, Xuan Song سال انتشار: ۲۰۲۴ ژورنال/کنفرانس: Computational Visual Media, Volume: 10, Issue: 6, December 2024 لینک دسترسی: https://arxiv.org/abs/2403.04812 (دسترسی آزاد) فهرست ۱. چکیده ۲. مقدمه ۳.  مفاهیم اولیه یادگیری ماشین تفسیرپذیر ۳.۱.  مسئله «جعبه سیاه» در مدل‌های پیچیده ۳.۲.  تعریف تفسیرپذیری (Interpretability) و توضیح‌پذیری (Explainability) ۳.۳.  دسته‌بندی روش‌های XAI ۳.۴.  معرفی مختصر روش‌های رقیب (LIME و Attention) ۳.۵.  معیارهای ارزیابی روش‌های تفسیرپذیری ۳.۶.  چرا SHAP در مسائل راه و ترابری مناسب است؟ ۴.  الگوریتم SHAP – مبانی ریاضی و عملیاتی ۴.۱.  نظریه بازی شاپلی (Shapley Value) – پیش‌زمینه ۴.۲.  فرمول SHAP و خواص کلیدی ۴.۳.  مثال عددی گام‌به‌گام با ۳ ویژگی ۴.۴.  روش‌های تقریبی:  Kernel SHAP و Deep SHAP ۴.۵.  مزایا و محدودیت‌های SHAP در عمل ۵.  هدف گزارش ۶.  معرفی کامل مقاله  TrafPS ۶.۱.  انگیزه و جایگاه مقاله ۶.۲.  جزئیات نوآوری‌ها ۶.۳.  معماری کلی سیستم ۷. کاربرد SHAP در مسئله راه و ترابری ۷.۱.  تعریف مسئله ترافیک ۷.۲.  مثال واقعی برگرفته از مقاله ۷.۳.  نحوه اعمال SHAP روی مدل پایه ۸.  داده‌های مورد استفاده در مقاله ۸.۱.  معرفی مجموعه‌های داده ۸.۲.  ساخت گراف مکانی ۸.۳ .  پیش‌پردازش داده‌ها ۹.  ورودی و خروجی مدل ۹.۱. تانسور ورودی ۹.۲.  معماری مدل پایه  (STGCN) ۹.۳.  خروجی مدل پایه ۹.۴.  خروجی تفسیرپذیر ۹.۵.  نتایج عددی مقاله (جدول مقایسه) ۱۱.  جدول متغیرهای کلیدی ۱۲.  بحث و تحلیل ۱۲.۱ . نقاط قوت SHAP در ترافیک ۱۲.۲. مقایسه کمی با LIME (سناریوی فرضی با ۵۰ حسگر) ۱۲.۳.  چالش وابستگی مکانی و راهکار مقاله ۱۲.۴.  سایر محدودیت‌ها و توصیه‌های عملی ۱۳.  سناریوی فرضی: پیاده‌سازی در یک منطقه از تهران ۱۴.  نتیجه‌گیری و نقشه راه ۱۵.  مراجع ۱. چکیده الگوریتم‌های یادگیری عمیق علیرغم دقت بالا در پیش‌بینی پدیده‌های پیچیده مانند جریان ترافیک، به دلیل ساختار جعبه‌سیاه خود، فاقد قابلیت تفسیرپذیری هستند. این نقص در حوزه‌های حساسی همچون مهندسی راه و ترابری، که تصمیم‌گیری مبتنی بر علت و معلول ضرورت دارد، یک چالش اساسی محسوب می‌شود. الگوریتم SHAP (مخفف Shapley Additive Explanations) یکی از پیشرفته‌ترین روش‌های تفسیرپذیری است که با بهره‌گیری از نظریه بازی شاپلی، قادر است سهم هر ویژگی ورودی را در خروجی مدل به صورت محلی (برای یک پیش‌بینی خاص) و سراسری (در کل داده‌ها) محاسبه کند. این گزارش بر روی مقاله TrafPS (منتشر شده در نشریه Computational Visual Media در سال ۲۰۲۴) متمرکز است که برای نخستین بار SHAP را با تحلیل بصری فضایی زمانی در مسئله پیش‌بینی ترافیک ترکیب نموده است. نویسندگان در این مقاله از داده‌های ۲۰۷ حسگر ترافیکی شهر لس‌آنجلس (مجموعه داده METR-LA) استفاده کرده‌اند و نشان داده‌اند که رویکرد مبتنی بر SHAP می‌تواند با دقت ۸۵٪ علت اصلی پیش‌بینی‌های ترافیکی را در ارزیابی با کاربران متخصص شناسایی کند، در حالی که این میزان بدون استفاده از SHAP تنها ۴۵٪ بوده است. همچنین مقاله با معرفی دو معیار جدید به نام Region SHAP و Trajectory SHAP، توانسته است زمان تحلیل کاربران را تا ۶۰٪ کاهش دهد. در گزارش حاضر، ابتدا مفاهیم پایه‌ای یادگیری ماشین تفسیرپذیر و مبانی ریاضی SHAP شامل فرمول مقدار شاپلی، خواص آن و روش‌های تقریبی (Kernel SHAP و Deep SHAP) تشریح می‌شود. سپس معماری مدل پایه پیش‌بندی ترافیک (شبکه عصبی گرافی زمانی)، داده‌های ورودی، خروجی‌های تفسیرپذیر، پلتفرم پیاده‌سازی (پایتون با کتابخانه‌های PyTorch و shap) و نتایج عددی مقاله به تفصیل مرور می‌گردد. همچنین جدول جامع متغیرهای کلیدی، تحلیل نقاط قوت و ضعف روش و سناریوی پیشنهادی برای پیاده‌سازی در یک منطقه شهری (مانند تهران) ارائه شده است. هدف این گزارش، فراهم آوردن یک مرجع کامل و گام‌به‌گام برای درک و به‌کارگیری الگوریتم SHAP در مسائل راه و ترابری است تا بتوان در مراحل بعدی پروژه، پیاده‌سازی عملی آن را انجام داد.