論文の概要: Explainable Neuro-Fuzzy Prediction for Trustworthy Decision-Making in Maritime
- arxiv url: http://arxiv.org/abs/2609.24358v1
- Date: Mon, 21 Sep 2026 09:47:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.24903
- Title: Explainable Neuro-Fuzzy Prediction for Trustworthy Decision-Making in Maritime
- Title（参考訳）: 海中の信頼できる意思決定のための説明可能なニューロファジィ予測
- Abstract要約: 本稿では、神経ファジィ予測モデルと2段階の説明可能なコンポーネントを統合した説明可能な意思決定フレームワークを提案する。
提案されたフレームワークは汎用的であり、どんなディープラーニングベースのアプローチにも統合できる。
- 参考スコア（独自算出の注目度）: 3.3072037841206345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting when maritime systems require maintenance can be critical, avoiding hazards and costly consequences. To address this problem, this paper proposes an explainable decision-making framework that integrates a neuro-fuzzy prediction model with a two-stage explainable component. The first stage of this component produces feature-attribution explanations, using gradient-based saliency maps, and the second stage extracts local rules using a fuzzy decision tree. The proposed framework is generic and can be integrated into any deep learning-based approach, rendering it explainable. To the best of our knowledge, this is the first fuzzy logic-based framework enabling both feature-level and local rule-based explanations of black box models. This approach aims to foster trustworthiness in decision making through user-understandable machine inferences. The performance of the proposed framework using a deep residual-based neural backbone is evaluated on various general-purpose public benchmark datasets, and its utility in maritime is demonstrated in the context of early fault detection in a naval propulsion system dataset. The results indicate that it can provide predictions outperforming relevant state-of-the-art approaches, with an average AUC-ROC (Area Under the Receiver Operating Characteristic Curve) value, reaching up to 99%, while offering the advantage of explainability.
- Abstract（参考訳）: 海上システムにメンテナンスが必要な場合の予測は重要であり、ハザードやコストのかかる結果を避ける。
そこで本研究では,神経ファジィ予測モデルと2段階の説明可能なコンポーネントを統合した,説明可能な意思決定フレームワークを提案する。
この成分の第1段は勾配に基づく塩分濃度マップを用いて特徴属性の説明を行い、第2段はファジィ決定木を用いて局所ルールを抽出する。
提案されたフレームワークは汎用的であり、どんなディープラーニングベースのアプローチにも統合できる。
私たちの知る限りでは、ブラックボックスモデルの機能レベルとローカルルールベースの説明を可能にする、ファジィなロジックベースのフレームワークとしてはこれが初めてです。
このアプローチは、ユーザの理解可能なマシン推論を通じて意思決定における信頼性を高めることを目的としている。
深部残留型ニューラルバックボーンを用いたフレームワークの性能を,様々な汎用な公開ベンチマークデータセットで評価し,海軍推進システムデータセットにおける早期故障検出の文脈で海洋におけるその有用性を実証した。
その結果、平均的なAUC-ROC(Area Under the Receiver Operating Characteristics Curve)値を最大99%まで高めるとともに、説明可能性の利点を提供しながら、最先端のアプローチよりも優れた予測を提供することができた。
関連論文リスト
- Explainable Predictive Condition-based Maintenance of Naval-Propulsion Systems using Fuzzy Logic [3.814858728853162]
本稿では, ファジィ決定木と深い残留ニューラルネットワークに基づく新しい枠組みを提案し, 海軍艦艇における説明可能な予測保守(PdM)の実現を目指している。
提案フレームワークは、使用するデータセットに基づいてファジィなローカルルールを生成することができ、ユーザにとって理解しやすい方法で、原因と効果の関係を利用して、結果の説明を提供することができる。
論文 参考訳（メタデータ） (2026-09-21T08:16:03Z) - Possibilistic Predictive Uncertainty for Deep Learning [75.00607359322863]
Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。
DAPPrは可能性理論を利用した原則的なフレームワークである。
この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
論文 参考訳（メタデータ） (2026-05-01T12:14:01Z) - Concept-based explanations of Segmentation and Detection models in Natural Disaster Management [20.75438415554194]
本稿では,PIDNetおよびYOLOアーキテクチャ上での洪水セグメンテーションと車検出予測を理解するための説明可能性フレームワークを提案する。
我々のフレームワークは、ほぼリアルタイムな推論能力を維持しながら、信頼性と解釈可能な説明を提供する。
論文 参考訳（メタデータ） (2026-03-24T10:03:36Z) - A unified framework for evaluating the robustness of machine-learning interpretability for prospect risking [11.536380479187498]
本稿では,反ファクトを発生させると同時に,必要と十分性を定量化するための統一的な枠組みを提案する。
これは、LIMEとSHAPが高次元構造的予測リスクデータに対して提供する説明の堅牢性評価を行うことによって行われる。
論文 参考訳（メタデータ） (2026-02-16T03:32:10Z) - QoSDiff: An Implicit Topological Embedding Learning Framework Leveraging Denoising Diffusion and Adversarial Attention for Robust QoS Prediction [5.632045399777709]
本稿では,明示的なグラフ構築の前提条件を回避した新しい埋め込み学習フレームワークであるemphQoSDiffを紹介する。
これらの課題に対処するために,明示的なグラフ構築の前提条件を回避した新しい埋め込み学習フレームワークであるemphQoSDiffを紹介する。
論文 参考訳（メタデータ） (2025-12-04T09:17:26Z) - Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T09:13:11Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。
トラクタブル回路において,これを効率的に計算する方法を示す。
我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文 参考訳（メタデータ） (2023-02-28T00:04:22Z) - Variational Bayes Deep Operator Network: A data-driven Bayesian solver
for parametric differential equations [0.0]
演算子学習のための変分ベイズDeepONet(VB-DeepONet)を提案する。
VB-DeepONetは、高次元後部分布を考慮した変分推論を用いる。
論文 参考訳（メタデータ） (2022-06-12T04:20:11Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Coalitional Bayesian Autoencoders -- Towards explainable unsupervised
deep learning [78.60415450507706]
その結果,BAEの予測は高い相関関係にあり,誤解を招くことが示唆された。
これを軽減するために、エージェントベースのシステム理論にインスパイアされた"Coalitional BAE"が提案されている。
公開条件監視データセットに関する実験は、Coalitional BAEを用いた説明の質の向上を実証している。
論文 参考訳（メタデータ） (2021-10-19T15:07:09Z)
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。