高效人工智能方法用于(交互式)调试:不要只治疗症状,查找根本原因!
本文介绍了一种高效的模型诊断过程,针对具有输入输出因果关系的系统。在此诊断过程中,首先确定一组可能破损的组件的焦点;其次,在焦点内确定最具信息的探测点。该诊断过程在组件的连通性低时表现出线性时间复杂度,并可应用于动态系统和包含循环的系统中,可选择检测间歇性故障或通过假定非间歇性来提高诊断精度。
Sep, 2022
通过将 Reiter 理论泛化为对任何类型系统和诊断的无知论,我们定义了基于首要原则的最小诊断,它将最有可能的诊断候选集合在一个假设搜索空间中。在相对温和的假设下,我们的算法能够正确计算首选的诊断候选集合。尽管搜索空间不再是幂集,与 Reiter 理论不同,我们的理论的适用性更广,并且在实际问题中实现的两个算法能够解决现有诊断方法无法解决的示例。
Sep, 2023
制造业中的深度学习模型的不透明性对故障检测和诊断构成了重要挑战。本文对可解释人工智能(XAI)的工具和技术进行了综述,探讨了各种 XAI 方法在增加人工智能决策透明度方面的作用,特别是在涉及人类的关键情景中。同时,我们还讨论了当前的局限性以及未来潜在的研究,旨在在改善信任度的同时平衡可解释性与模型性能,以应用于关键工业用例的人工智能应用。
Apr, 2024
采用调谐自由的 LLM(大语言模型)代理作为医学从业者,我们提出了基于代理的多专科咨询(AMSC)框架,通过自适应地融合代理对潜在疾病的概率分布来模拟真实世界中的诊断过程。实验结果显示了我们的方法相比基线的优越性。值得注意的是,我们的方法需要极少的参数更新和训练时间,提高了效率和实用性。此外,我们深入探讨了在自动诊断背景下的隐性症状的新角度。
Jan, 2024
D-Bot 是基于大型语言模型的数据库诊断系统,能够从诊断文档中自动获取知识,并在可接受的时间范围内生成合理和有根据的诊断报告,包括确定根本原因和解决方案。通过在真实基准测试中验证,D-Bot 可以有效地分析未见异常的根本原因,明显优于传统方法和 GPT-4 等基准模型。
Dec, 2023
介绍了一种整合物理诊断工具和大型语言模型的集成系统,旨在增强复杂系统(如核电厂)中故障诊断的可解释性,通过识别故障并提供其造成和影响的清晰易懂的解释,该系统在溶盐设施上的应用验证了其阐明诊断故障与传感器数据之间关联、回答操作员问题和评估历史传感器异常的能力,强调将基于模型的诊断与先进人工智能结合以提高自主系统的可靠性和透明度。
Feb, 2024
本研究旨在描述一种自动化网络攻击防御的方法,通过将被保护系统的模拟与任意在线规划应用于部分观测的马尔科夫决策问题(POMDPs),并结合基于模型的人工智能,以实现风险防范与效益平衡。
Feb, 2020
本文提出一种软件代理的架构,用于操作物理设备并能够观察和测试修复设备组件。基于行动语言理论,我们提出了简化版本的症状、候选诊断和诊断概念定义,并通过计算逻辑程序的稳定模型来描述代理的行为。
Dec, 2003
研究如何解决机器学习系统中多个组件的分析流程中出现的问题,通过人力计算任务模拟潜在组件修复方案以改善系统整体行为,为设计师提供改进系统的指导,并在一个自动化图像字幕系统上演示了该方法的有效性。
Nov, 2016