論文の概要: ABIGX: A Unified Framework for eXplainable Fault Detection and Classification

• arxiv url: http://arxiv.org/abs/2311.05316v1
• Date: Thu, 9 Nov 2023 12:22:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 15:30:26.479900
• Title: ABIGX: A Unified Framework for eXplainable Fault Detection and Classification
• Title（参考訳）: ABIGX: eXplainable Fault Detection and Classificationのための統一フレームワーク
• Authors: Yue Zhuo, Jinchuan Qian, Zhihuan Song, Zhiqiang Ge
• Abstract要約: 本稿では,説明可能な故障検出と分類のための統合フレームワークABIGXを提案する。 ABIGXの中核部分であるAFR法は、敵攻撃の観点からFRを再考するものである。 断層分類において,本研究は,本質的に正しい説明を妨げている断層クラススミアリングの新たな問題を提起した。
• 参考スコア（独自算出の注目度）: 7.919810878571298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For explainable fault detection and classification (FDC), this paper proposes a unified framework, ABIGX (Adversarial fault reconstruction-Based Integrated Gradient eXplanation). ABIGX is derived from the essentials of previous successful fault diagnosis methods, contribution plots (CP) and reconstruction-based contribution (RBC). It is the first explanation framework that provides variable contributions for the general FDC models. The core part of ABIGX is the adversarial fault reconstruction (AFR) method, which rethinks the FR from the perspective of adversarial attack and generalizes to fault classification models with a new fault index. For fault classification, we put forward a new problem of fault class smearing, which intrinsically hinders the correct explanation. We prove that ABIGX effectively mitigates this problem and outperforms the existing gradient-based explanation methods. For fault detection, we theoretically bridge ABIGX with conventional fault diagnosis methods by proving that CP and RBC are the linear specifications of ABIGX. The experiments evaluate the explanations of FDC by quantitative metrics and intuitive illustrations, the results of which show the general superiority of ABIGX to other advanced explanation methods.
• Abstract（参考訳）: 本稿では,fdc(adversarial fault detection and classification)の枠組みであるabigx(adversarial fault reconstruction-based integrated gradient description)を提案する。 abigxは、以前の失敗障害診断法、貢献プロット(cp)、再構成に基づく貢献(rbc)の必須部分に由来する。 一般的なFDCモデルに可変コントリビューションを提供する最初の説明フレームワークである。 abigxの中核となるのは、adversarial fault reconstruction (afr) 法であり、frをadversarial attackの観点から再考し、新しいフォールトインデックスでフォールト分類モデルに一般化する。 断層分類において,本研究は,本質的に正しい説明を妨げている断層クラススミアリングの新たな問題を提起した。 ABIGXはこの問題を効果的に軽減し、既存の勾配に基づく説明法より優れていることを示す。 故障検出には, CPとRBCがABIGXの線形仕様であることを証明し, 従来の故障診断手法でABIGXをブリッジする。 実験は, 定量的指標と直感的挿絵を用いてfdcの解説を評価し, 他の先進的な説明法に対するabigxの汎用性を示した。

関連論文リスト

• Diffusion Based Causal Representation Learning [27.58853186215212]
  因果推論はインテリジェントシステムの基盤と見なすことができる。 因果表現学習に関するこれまでの研究は、変分オートエンコーダ(VAE)を中心にしている。 拡散に基づく因果表現学習(DCRL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-09T14:59:26Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
  本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。 実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
  論文  参考訳（メタデータ） (2023-05-20T03:17:44Z)
• SCLIFD:Supervised Contrastive Knowledge Distillation for Incremental Fault Diagnosis under Limited Fault Data [8.354404360859263]
  限られた断層データから識別的特徴を抽出することは困難である。 十分に訓練されたモデルは、新しいクラスからサンプルを分類するために、スクラッチから再訓練されなければならない。 モデル決定は、クラスの不均衡のため、新しいクラスに偏っている。
  論文  参考訳（メタデータ） (2023-02-12T14:50:12Z)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• A new interpretable unsupervised anomaly detection method based on residual explanation [47.187609203210705]
  本稿では,大規模システムにおけるAEベースのADの制限に対処する新しい解釈可能性手法であるRXPを提案する。 実装の単純さ、計算コストの低さ、決定論的振る舞いが特徴である。 実鉄道路線のデータを用いた実験において,提案手法はSHAPよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-14T15:35:45Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。