論文の概要: Balancing Performance and Fairness in Explainable AI for Anomaly Detection in Distributed Power Plants Monitoring

• arxiv url: http://arxiv.org/abs/2603.18954v1
• Date: Thu, 19 Mar 2026 14:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.196194
• Title: Balancing Performance and Fairness in Explainable AI for Anomaly Detection in Distributed Power Plants Monitoring
• Title（参考訳）: 分散型プラントモニタリングにおける異常検出のための説明可能なAIの性能と公正性
• Authors: Corneille Niyonkuru, Marcellin Atemkeng, Gabin Maxime Nguegnang, Arnaud Nguembang Fadja,
• Abstract要約: 本研究では,アンサンブル手法とベースラインモデルを統合した教師付きMLフレームワークを提案する。 異常検出における性能,解釈可能性,公平性を両立させることが可能であることを示す。 また、コンテナ化されたサービスがリアルタイムに処理し、低レイテンシの予測を提供し、解釈可能なアウトプットを提供する方法を示す。
• 参考スコア（独自算出の注目度）: 0.27998963147546146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable anomaly detection in distributed power plant monitoring systems is essential for ensuring operational continuity and reducing maintenance costs, particularly in regions where telecom operators heavily rely on diesel generators. However, this task is challenged by extreme class imbalance, lack of interpretability, and potential fairness issues across regional clusters. In this work, we propose a supervised ML framework that integrates ensemble methods (LightGBM, XGBoost, Random Forest, CatBoost, GBDT, AdaBoost) and baseline models (Support Vector Machine, K-Nearrest Neighbors, Multilayer Perceptrons, and Logistic Regression) with advanced resampling techniques (SMOTE with Tomek Links and ENN) to address imbalance in a dataset of diesel generator operations in Cameroon. Interpretability is achieved through SHAP (SHapley Additive exPlanations), while fairness is quantified using the Disparate Impact Ratio (DIR) across operational clusters. We further evaluate model generalization using Maximum Mean Discrepancy (MMD) to capture domain shifts between regions. Experimental results show that ensemble models consistently outperform baselines, with LightGBM achieving an F1-score of 0.99 and minimal bias across clusters (DIR $\approx 0.95$). SHAP analysis highlights fuel consumption rate and runtime per day as dominant predictors, providing actionable insights for operators. Our findings demonstrate that it is possible to balance performance, interpretability, and fairness in anomaly detection, paving the way for more equitable and explainable AI systems in industrial power management. {\color{black} Finally, beyond offline evaluation, we also discuss how the trained models can be deployed in practice for real-time monitoring. We show how containerized services can process in real-time, deliver low-latency predictions, and provide interpretable outputs for operators.
• Abstract（参考訳）: 分散型プラント監視システムにおける信頼性の高い異常検出は、特に電気通信事業者がディーゼル発電機に強く依存している地域では、運転継続性とメンテナンスコストの低減に不可欠である。 しかし、この課題は、極度のクラス不均衡、解釈可能性の欠如、および地域クラスタ間の潜在的な公平性の問題によって解決される。 本研究では, アンサンブル手法(LightGBM, XGBoost, Random Forest, CatBoost, GBDT, AdaBoost)とベースラインモデル(Support Vector Machine, K-Nearrest Neighbors, Multilayer Perceptrons, Logistic Regression)を, 高度な再サンプリング技術(SMOTE with Tomek Links, ENN)と統合して, カメルーンにおけるディーゼル発電機運用のデータセットの不均衡に対処する, 教師付きMLフレームワークを提案する。 解釈性はSHAP(SHapley Additive exPlanations)を通じて達成され、フェアネスは運用クラスタ間でのDIR(Disparate Impact Ratio)を使用して定量化される。 さらに、最大平均離散性(MMD)を用いてモデル一般化を評価し、領域間のドメインシフトをキャプチャする。 実験の結果、アンサンブルモデルは一貫してベースラインを上回り、LightGBMはF1スコア0.99、クラスタ間のバイアスが最小となる(DIR $\approx 0.95$)。 SHAP分析は、燃料消費率と1日当たりのランタイムを支配的な予測者として強調し、オペレーターに実用的な洞察を提供する。 以上の結果から, 異常検出における性能, 解釈可能性, 公平性のバランスを図り, 産業電力管理におけるより公平で説明可能なAIシステムの実現の道を開いた。 最後に、オフライン評価を超えて、トレーニングされたモデルをリアルタイム監視のために実際にどのようにデプロイできるかについても論じます。 コンテナ化されたサービスは、どのようにリアルタイムで処理し、低レイテンシの予測を提供し、オペレーターに解釈可能な出力を提供するかを示す。

関連論文リスト

• DFPO: Scaling Value Modeling via Distributional Flow towards Robust and Generalizable LLM Post-Training [94.568675548967]
  実環境における訓練強化学習(RL)システムは、ノイズの多い監視とドメイン外の一般化が不十分なため、依然として困難である。 近年の分布RL法は、複数の量子点を持つ値をモデル化することでロバスト性を向上させるが、スカラーとして各量子点を独立に学習する。 DFPOは、時間ステップをまたいだ連続フローとして値をモデル化する、ロバストな分散RLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-05T17:07:42Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Coherent Load Profile Synthesis with Conditional Diffusion for LV Distribution Network Scenario Generation [1.9248772611306222]
  ロードプロファイリングのアプローチは、典型的なプロファイルを通じて需要をまとめることに依存することが多い。 最終的に高電圧レベルのネットワーク操作に影響を及ぼすサブステーション間の共振は、しばしば見過ごされる。 低電圧分布サブステーションレベルでの日々のアクティブおよび反応性パワープロファイルの合成のための条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-10-13T08:40:39Z)
• Uncertainty-Guided Expert-AI Collaboration for Efficient Soil Horizon Annotation [0.13999481573773068]
  土壌プロファイルを記述するためのマルチモーダルマルチタスクモデルである$textitSoilNet$に共形予測を適用する。 我々は,モデルの不確実性が高い場合に,基本真理アノテーションを得るための限られた予算が利用できる,シミュレーションされたHILアノテーションパイプラインを設計する。 実験により、SoilNetの適合性は回帰タスクにおけるより効率的なアノテーションと分類タスクにおける同等のパフォーマンススコアをもたらすことが示された。
  論文  参考訳（メタデータ） (2025-09-29T14:54:23Z)
• Towards Operational Automated Greenhouse Gas Plume Detection [0.15556354682377155]
  この研究は、データとラベルの品質管理、バイアスの防止、そして正しく整列されたモデリング目的など、この分野におけるいくつかの重要な障害をレビューし対処する。 運用性能検出が可能な航空機および宇宙搭載機器のマルチキャンプデータを用いた厳密な実験を実演する。 分析可能なデータ、モデル、デプロイメントのためのソースコードを提供し、ベストプラクティスのセットを定義します。
  論文  参考訳（メタデータ） (2025-05-27T22:22:54Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
  非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。 フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Demonstration-Efficient Guided Policy Search via Imitation of Robust Tube MPC [36.3065978427856]
  我々は,計算コストのかかるモデル予測制御器(MPC)を,深層ニューラルネットワークとImitation Learning(IL)に基づくより計算効率の良い表現に圧縮する戦略を提案する。 MPCのロバスト管変種(RTMPC)を生成し,その特性を活用することにより,高実演効率を実現するデータ拡張手法を提案する。 本手法は, DAgger や Domain Randomization などの IL において, 実演効率, 摂動に対する頑健性において, トレーニング中に見つからない戦略よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-21T01:50:19Z)

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。