論文の概要: A Bayesian Framework for Uncertainty-Aware Explanations in Power Quality Disturbance Classification

• arxiv url: http://arxiv.org/abs/2604.13658v1
• Date: Wed, 15 Apr 2026 09:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.467667
• Title: A Bayesian Framework for Uncertainty-Aware Explanations in Power Quality Disturbance Classification
• Title（参考訳）: 電力品質劣化分類における不確実性認識記述のためのベイズ的枠組み
• Authors: Yinsong Chen, Samson S. Yu, Kashem M. Muttaqi,
• Abstract要約: 本稿では,各インスタンスの関連属性分布を生成して不確かさをモデル化するベイズ説明フレームワークを提案する。 専門家は信頼パーセンタイルに基づいて説明を選択できるため、特定の障害タイプに応じて解釈性を調整することができる。 合成および実世界の電力品質データセットの実験は、提案フレームワークがPQD分類器の透明性と信頼性を向上させることを示した。
• 参考スコア（独自算出の注目度）: 3.68407754316989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced deep learning methods have shown remarkable success in power quality disturbance (PQD) classification. To enhance model transparency, explainable AI (XAI) techniques have been developed to provide instance-specific interpretations of classifier decisions. However, conventional XAI methods yield deterministic explanations, overlooking uncertainty and limiting reliability in safety-critical applications. This paper proposes a Bayesian explanation framework that models explanation uncertainty by generating a relevance attribution distribution for each instance. This method allows experts to select explanations based on confidence percentiles, thereby tailoring interpretability according to specific disturbance types. Extensive experiments on synthetic and real-world power quality datasets demonstrate that the proposed framework improves the transparency and reliability of PQD classifiers through uncertainty-aware explanations.
• Abstract（参考訳）: 高度なディープラーニング手法は、電力品質障害(PQD)分類において顕著な成功を収めている。 モデルの透明性を高めるために、分類器決定のインスタンス固有の解釈を提供するために、説明可能なAI(XAI)技術が開発された。 しかし、従来のXAI手法は、不確実性を見落とし、安全クリティカルなアプリケーションにおける信頼性を制限する決定論的説明をもたらす。 本稿では,各インスタンスの関連属性分布を生成して不確かさをモデル化するベイズ説明フレームワークを提案する。 この方法により、専門家は信頼パーセンタイルに基づいて説明を選択することができ、それによって特定の障害タイプに応じて解釈可能性を調整することができる。 合成および実世界の電力品質データセットに関する大規模な実験により、提案フレームワークは不確実性を考慮した説明を通じてPQD分類器の透明性と信頼性を向上させることを示した。

関連論文リスト

• Uncertainty-Aware Subset Selection for Robust Visual Explainability under Distribution Shifts [15.077604091703797]
  サブセット選択に基づく手法は、ディープビジョンモデルを説明するために広く用いられている。 本稿では,部分モジュラ部分集合選択と階層的,勾配に基づく不確実性推定を組み合わせたフレームワークを提案する。 提案手法は,適応重み摂動による不確実性を推定し,これらの推定値を用いて部分モジュラー最適化を導出する。
  論文  参考訳（メタデータ） (2025-12-09T10:19:07Z)
• Robust Explanations Through Uncertainty Decomposition: A Path to Trustworthier AI [4.1942958779358674]
  本稿では,古典的説明可能性法を補完する手法として,予測の不確実性を活用することを提案する。 疫学の不確実性は、信頼できない説明の拒絶基準として機能する。 本実験は, この不確実性認識アプローチが説明の堅牢性と到達性に与える影響を実証するものである。
  論文  参考訳（メタデータ） (2025-07-17T09:00:05Z)
• Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
  本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。 また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
  論文  参考訳（メタデータ） (2025-05-28T10:23:34Z)
• Uncertainty Propagation in XAI: A Comparison of Analytical and Empirical Estimators [1.0855602842179624]
  説明可能なAI(XAI)の不確実性を理解することは、信頼の構築に不可欠である。 本稿では,XAIにおける不確実性を定量化し,解釈するための統一的な枠組みを提案する。 分析的および実証的な説明分散の推定値を用いて、説明の不確かさが説明に与える影響を評価する体系的な手段を提供する。
  論文  参考訳（メタデータ） (2025-04-01T07:06:31Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• LaPLACE: Probabilistic Local Model-Agnostic Causal Explanations [1.0370398945228227]
  本稿では,機械学習モデルに対する確率論的原因・効果説明を提供するLaPLACE-Explainerを紹介する。 LaPLACE-Explainerコンポーネントはマルコフ毛布の概念を利用して、関連する特徴と非関連する特徴の間の統計的境界を確立する。 提案手法は,LIME と SHAP の局所的精度と特徴の整合性の観点から,因果的説明と性能を向上する。
  論文  参考訳（メタデータ） (2023-10-01T04:09:59Z)
• Causality-Aware Local Interpretable Model-Agnostic Explanations [7.412445894287709]
  本稿では,インスタンスを取り巻くデータ内の明確な因果関係をエンコードする,広く使われている局所的およびモデルに依存しない説明器の拡張を提案する。 提案手法は,ブラックボックスモデルのメカニズムと生成した説明の一貫性と信頼性を忠実に再現する上で,元の手法を克服する。
  論文  参考訳（メタデータ） (2022-12-10T10:12:27Z)
• What is Flagged in Uncertainty Quantification? Latent Density Models for Uncertainty Categorization [68.15353480798244]
  不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。 近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。 分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-11T19:47:00Z)
• Uncertainty as a Form of Transparency: Measuring, Communicating, and Using Uncertainty [66.17147341354577]
  我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。 モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。 この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
  論文  参考訳（メタデータ） (2020-11-15T17:26:14Z)

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。