Analysis on Underwater Channel by Using Shapley Additive Explanations

Q: 이 논문에서 정의한 SHAP이란 무엇인가?

SHAP은 기계 학습 모델의 예측에 대한 각 특성의 기여도를 정량적으로 평가하는 설명 가능한 AI(XAI) 기술이다. 게임 이론에서 파생되어 특성 기여도를 공정하게 계산하고 분배하며, 복잡한 모델 구조를 해석 가능한 형식으로 변환하여 예측의 신뢰도를 높이고 모델 성능 최적화에 중요한 역할을 한다.

Q: 수중 통신 환경에서 SHAP 기반 특성 선택이 예측 정확도에 어떤 영향을 미치는가?

연구 결과, SHAP 기반 특성 선택은 수중 통신 환경에서 기계 학습 모델의 예측 정확도를 크게 향상시키는 것으로 나타났다. 특히, SHAP 값을 통해 중요도가 높은 특성들을 선별하여 모델 훈련에 활용함으로써, 기존 방법 대비 약 두 배의 성능 향상을 달성하며 모델의 효율성과 예측 정확도를 동시에 높였다.

Jongseok Kim; Ho-Shin Cho; Ohyun Jo

doi:10.7840/kics.2025.50.7.1007

추천

검색

질문

자료유형: 학술저널

저자정보: Jongseok Kim (Chungbuk National University) Ho-Shin Cho (Kyungpook National University) Ohyun Jo (Chungbuk National University)

저널정보: 한국통신학회 한국통신학회논문지 한국통신학회논문지 제50권 제7호

발행연도: 2025.7

수록면: 1,007 - 1,010 (4page)

DOI: 10.7840/kics.2025.50.7.1007

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

This study explores the limitations of relying solely on Signal-to-Noise Ratio (SNR) for Bit Error Rate (BER) prediction in underwater communication environments and underscores the critical role of eXplainable Artificial Intelligence (XAI). By employing SHapley Additive exPlanations (SHAP), the relationship between SNR and BER is thoroughly analyzed, highlighting the inadequacies of SNR as the sole predictive feature. To address these challenges, SHAP-based feature selection is utilized to identify key factors, which are subsequently employed to train machine learning models. The results demon- strate a marked improvement in prediction accuracy over traditional methods, affirming that the integration of SHAP-driven feature selection sig- nificantly enhances model performance.

#Underwater Communication #XAI #SHapley Additive exPlantaions #Feature Selection

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-093605156

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)