論文の概要: From Graphs to Gradients: Physics-Inspired Structural Attribution for Cyber-Physical IoT Systems and Beyond

• arxiv url: http://arxiv.org/abs/2607.05563v1
• Date: Mon, 06 Jul 2026 18:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.304836
• Title: From Graphs to Gradients: Physics-Inspired Structural Attribution for Cyber-Physical IoT Systems and Beyond
• Title（参考訳）: グラフから勾配へ:物理にヒントを得たサイバー物理IoTシステムのための構造属性
• Authors: Spyridon Evangelatos, Christos Diou, Georgios Th. Papadopoulos, Evangelos Markakis, Panagiotis Sarigiannidis,
• Abstract要約: 人工知能における解釈可能な説明法は、根本原因とその影響を明らかにすることを目的としている。 本稿では,非指向的エネルギーベース表現を通じて変数依存をモデル化する,統計力学にインスパイアされた新しいフレームワークを提案する。 我々は,ハイブリッド連続変数と離散変数を用いた産業用IoTテストベッド上でのシミュレーションを通じて,我々のフレームワークを実証的に検証した。
• 参考スコア（独自算出の注目度）: 7.419398719484998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpretable explanation methods in Artificial Intelligence aim to uncover the underlying causes and their effects, enabling a deeper understanding of why a system behaves in a certain way under different inputs. Unlike traditional explainability methods, which mainly highlight correlations between input and output variables, causal explanation focuses on interventional questions. By doing so, it provides more robust insights, helping users understand automated decisions, especially in high-risk domains. Recovering an explicit directed causal structure, however, is often impractical in large-scale, hybrid cyber-physical systems with feedback loops and partial observability. This paper introduces a novel framework inspired by statistical mechanics that instead models variable dependencies through an undirected, energy-based representation of cyber-physical IoT systems. Our approach enables rigorous dependency-aware attribution by analysing how variations in the energy landscape reflect the influence of individual components, without recovering a directed causal graph. It also supports reasoning about perturbation effects across hybrid interactions, providing reliable explanations of abnormal behaviours. We empirically examined our framework through simulations on an industrial IoT testbed with hybrid continuous and discrete variables, demonstrating higher attribution accuracy, improved robustness and better scalability than state-of-the-art graph-based approaches. While the attributions are not intended to fully recover the system's generative dynamics, they provide valuable, dependency-aware explanations supporting both human interpretation and downstream predictive and diagnostic tasks. Although demonstrated in industrial IoT security, our framework also applies to other high-dimensional cyber-physical and socio-technical systems requiring principled, structural explanations.
• Abstract（参考訳）: 人工知能における解釈可能な説明法は、基礎となる原因とその影響を明らかにすることを目的としており、異なる入力の下でシステムがなぜある方法で振る舞うかをより深く理解することを可能にしている。 入力変数と出力変数の相関を主に強調する従来の説明可能性法とは異なり、因果的説明は介入問題に焦点を当てる。 これにより、特にリスクの高いドメインにおいて、ユーザが自動決定を理解するのに役立つ、より堅牢な洞察を提供する。 しかし、明示的に指示された因果構造を復元することは、フィードバックループと部分的な観測可能性を備えた大規模でハイブリッドなサイバー物理システムでは現実的ではない。 本稿では,サイバー物理IoTシステムの非指向的エネルギーベース表現を通じて,変数依存をモデル化する,統計力学にヒントを得た新しいフレームワークを提案する。 本手法は, エネルギー景観の変動が個々の成分の影響を反映しているかを解析することにより, 因果グラフを復元することなく, 厳密な依存性認識属性を実現する。 また、ハイブリッド相互作用における摂動効果の推論をサポートし、異常な振る舞いの信頼できる説明を提供する。 我々は、ハイブリッド連続変数と離散変数を持つ産業用IoTテストベッド上でのシミュレーションを通じて、我々のフレームワークを実証的に検証し、最新のグラフベースのアプローチよりも高い帰属精度、堅牢性、スケーラビリティを実証した。 属性はシステムの生成ダイナミクスを完全に回復することを目的としていないが、人間の解釈と下流予測および診断タスクの両方をサポートする、価値ある依存性を意識した説明を提供する。 産業用IoTセキュリティで実証されているが、我々のフレームワークは他の高次元のサイバー物理・社会技術システムにも適用できる。

関連論文リスト

• Physics as the Inductive Bias for Causal Discovery [7.9653270330458446]
  因果発見は、しばしば複雑な現実世界のシステムを分析するためのデータ駆動パラダイムである。 我々は,因果グラフ構造を利用してパラメータ推定を行うスケーラブルなスペーサ性誘導型MLEアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-02-03T23:42:01Z)
• Defining Energy Indicators for Impact Identification on Aerospace Composites: A Physics-Informed Machine Learning Perspective [0.4104921880358479]
  エネルギー推定は、航空宇宙複合材料に対する影響の同定に重要である。 本研究では、ドメイン知識を機械学習に組み込む物理インフォームドフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-11-03T13:58:03Z)
• Building causation links in stochastic nonlinear systems from data [3.1053323925902956]
  因果関係は、私たちを取り巻く世界を理解する上で、基本的な役割を果たす。 因果関係を識別し理解する能力は、情報的な意思決定、成果の予測、効果的な戦略の開発に不可欠である。 近年、機械学習(ML)の分野は強力なツールとして登場し、隠れた因果関係のメカニズムを解明し、複雑なシステムを理解するための新たな機会を提供している。
  論文  参考訳（メタデータ） (2025-09-09T13:07:29Z)
• Rethinking Spatio-Temporal Anomaly Detection: A Vision for Causality-Driven Cybersecurity [22.491097360752903]
  我々は,空間的分散インフラにおける異常検出の促進を目的とした因果学習の視点を提唱する。 我々は因果グラフプロファイリング、多視点融合、連続因果グラフ学習の3つの主要な方向を特定し定式化する。 我々の目的は、拡張性、適応性、説明性、空間的根拠を持つ異常検出システムに向けた新しい研究軌道を構築することである。
  論文  参考訳（メタデータ） (2025-07-10T21:19:28Z)
• Unified Causality Analysis Based on the Degrees of Freedom [1.2289361708127877]
  本稿では,システム間の因果関係を同定する統一手法を提案する。 システムの自由度を分析することで、私たちのアプローチは因果的影響と隠れた共同設立者の両方についてより包括的な理解を提供する。 この統合されたフレームワークは、理論モデルとシミュレーションを通じて検証され、その堅牢性とより広範な応用の可能性を示す。
  論文  参考訳（メタデータ） (2024-10-25T10:57:35Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。