可解释的、基于物理知识的贝叶斯图神经网络(PI-BSTGNN)在地下水替代建模和敏感性分析中的应用

《Journal of Hydrology》:Explainable physics-informed bayesian graph neural networks(PI-BSTGNN) for groundwater surrogate modeling and sensitivity analysis

【字体: 大 中 小 】 时间:2026年05月16日 来源:Journal of Hydrology 6.3

编辑推荐:

  刘凡|赵国|福田仁|丹兵梅|张正正|卢晓伟|黄磊•提出了一种两阶段的贝叶斯图神经网络(Bayesian GNN),用于联合预测头部位置(heads)和浓度(concentrations)。•将贝叶斯不确定性(Bayesian uncertainty)与基于SHAP的解释性(int

  
刘凡|赵国|福田仁|丹兵梅|张正正|卢晓伟|黄磊
  • •
    提出了一种两阶段的贝叶斯图神经网络(Bayesian GNN),用于联合预测头部位置(heads)和浓度(concentrations)。
  • •
    将贝叶斯不确定性(Bayesian uncertainty)与基于SHAP的解释性(interpretability)相结合,以提高模型的透明度。
  • •
    采用基于物理知识的损失函数(physics-informed loss)和KL正则化(KL regularization),以实现训练过程的一致性和稳定性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号