arXiv cs.AI· Ali Alawi Balfaqih, Mansur M. Arief·· 1 天前AI 评分20
可解释 AI 用于货运方式分类的可靠性研究
A Reliability Study of Explainable AI for Freight Mode Classification
AI 导读
一项基于 PEPFAR 供应链管理系统交付历史数据（5,964 条货运记录、47 个输入特征）的研究评估了货运方式分类中可解释 AI 的可靠性。树集成模型平均测试准确率达 86.8%，显著优于神经网络与线性模型的 83.3-85.0%，且其首要特征在重训练间最稳定。但准确率相近的模型在关键特征上分歧明显，SHAP 与 LIME 解释的稳定性与忠实性需在使用前评估。
正文 · AI 翻译
摘要：机器学习模型越来越多地被用于支持货运决策，但其预测很少附带证据来证明相关解释是可信的。在本研究中，我们使用 PEPFAR 供应链管理系统交付历史数据集，研究用于将货运分类为 Air/Air Charter 或 Truck/Ocean 的可解释机器学习，清洗后包含 5,964 条货运记录和 47 个输入特征，其中运费成本和包装价格作为运输方式的近似代理变量被排除。我们比较了三种多层感知机（MLP）架构、逻辑回归、随机森林和梯度提升，采用不平衡感知指标，并在 100 次随机重复中进行配对显著性检验。随后我们评估解释本身，即 SHAP 特征排名在重新训练和不同模型间的稳定性、SHAP 和 LIME 归因在特征删除测试下的忠实性，以及目的地效应的地理结构，我们为全部 38 个目的地国家绘制了该结构。结果表明，树集成模型显著优于神经网络和线性模型（平均测试准确率 86.8% 对 83.3-85.0%），同时其领先特征在重新训练中保持最稳定。删除 SHAP 或 LIME 排名最重要的五个特征，对预测概率的改变约为随机删除特征的 4 倍。目的地效应形成了一致的地理模式，简单的港口可达性无法解释。然而，准确率相近的模型在哪些特征最重要上存在显著分歧，因此在将此类解释用于支持货运决策之前，应评估解释的稳定性和忠实性。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.15716 [cs.AI] |
| （或此版本的 arXiv:2611.15716v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.15716 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mansur Arief [查看电子邮件]
[v1]
2026 年 11 月 11 日星期三 16:55:11 UTC（327 KB）
来源：arXiv cs.AI · arxiv.org