論文の概要: Causality and Interpretability for Electrical Distribution System faults

• arxiv url: http://arxiv.org/abs/2508.02524v1
• Date: Mon, 04 Aug 2025 15:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.406059
• Title: Causality and Interpretability for Electrical Distribution System faults
• Title（参考訳）: 配電系統故障の因果性と解釈可能性
• Authors: Karthik Peddi, Sai Ram Aditya Parisineni, Hemanth Macharla, Mayukha Pal,
• Abstract要約: 本稿では, 因果推論と機械学習を組み合わせることで, 配電系統の故障を分類する手法を提案する。 EDSフォールトデータセットの99.44%は、最先端のアートモデルよりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causal analysis helps us understand variables that are responsible for system failures. This improves fault detection and makes system more reliable. In this work, we present a new method that combines causal inference with machine learning to classify faults in electrical distribution systems (EDS) using graph-based models. We first build causal graphs using transfer entropy (TE). Each fault case is represented as a graph, where the nodes are features such as voltage and current, and the edges demonstrate how these features influence each other. Then, the graphs are classified using machine learning and GraphSAGE where the model learns from both the node values and the structure of the graph to predict the type of fault. To make the predictions understandable, we further developed an integrated approach using GNNExplainer and Captums Integrated Gradients to highlight the nodes (features) that influences the most on the final prediction. This gives us clear insights into the possible causes of the fault. Our experiments show high accuracy: 99.44% on the EDS fault dataset, which is better than state of art models. By combining causal graphs with machine learning, our method not only predicts faults accurately but also helps understand their root causes. This makes it a strong and practical tool for improving system reliability.
• Abstract（参考訳）: 因果解析は、システム障害の原因となる変数を理解するのに役立ちます。 これにより、障害検出が向上し、システムの信頼性が向上する。 本研究では,因果推論と機械学習を組み合わせて,グラフベースモデルを用いて電配電系統(EDS)の故障を分類する手法を提案する。 まず、転送エントロピー(TE)を用いて因果グラフを構築する。 各障害ケースはグラフとして表現され、ノードは電圧や電流などの特徴を持ち、エッジはこれらの特徴が相互にどのように影響するかを示す。 次に、グラフは機械学習とグラフSAGEを使用して分類され、モデルがノード値とグラフの構造の両方から学習し、障害の種類を予測する。 そこで我々は,GNNExplainer と Captums Integrated Gradients を用いて,最終的な予測に最も影響を及ぼすノード(特徴)を強調するために,さらに統合的なアプローチを開発した。 これによって、障害の原因に関する明確な洞察が得られます。 EDSフォールトデータセットの99.44%は、最先端のアートモデルよりも優れている。 因果グラフと機械学習を組み合わせることで,障害を正確に予測するだけでなく,その根本原因を理解する上でも有効である。 これにより、システムの信頼性を向上させるための強力で実用的なツールになります。

関連論文リスト

• Causal Discovery in Recommender Systems: Example and Discussion [3.013819656993265]
  因果関係は人工知能と機械学習のコミュニティから注目を集めている。 本稿では,因果グラフを用いたレコメンデータシステム問題のモデル化例を示す。
  論文  参考訳（メタデータ） (2024-09-16T13:31:04Z)
• Scalable and Flexible Causal Discovery with an Efficient Test for Adjacency [48.769884734826974]
  因果グラフに2つの変数が隣接しているかどうかを評価するために,スケーラブルで柔軟な手法を構築した。 微分可能隣接テストは指数関数的な数のテストを、証明可能な等価な緩和問題に置き換える。 DAT, DAT-Graphに基づくグラフ学習手法も構築し, 介入したデータから学習する。
  論文  参考訳（メタデータ） (2024-06-13T14:39:40Z)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• 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)
• Debiasing Graph Neural Networks via Learning Disentangled Causal Substructure [46.86463923605841]
  本稿では、重度バイアスのあるトレーニンググラフについて、グラフ分類調査を行う。 我々は、GNNが常に決定を下すために急激な相関関係を探索する傾向があることに気付きました。 本稿では、因果部分構造とバイアス部分構造を学習するための一般的な非絡み合いGNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:55:52Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Uncertainty Weighted Causal Graphs [0.0]
  因果関係は伝統的に、影響に関係して知識を生み出す科学的方法であった。 引用グラフにおける不確実性の管理を確率論的に改善することで、グラフの不確実性をさらにモデル化しようと試みる。
  論文  参考訳（メタデータ） (2020-02-02T16:32:04Z)

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。