Aug, 2023

可解释的人工智能在车削中工具磨损预测中的应用

PDF
TL;DR该研究旨在开发一种可解释的人工智能（XAI）框架，以实现在车削过程中对工具磨损进行可理解的预测。通过使用随机森林算法作为监督式机器学习（ML）分类器，以加速度、声学、温度和主轴转速等输入特征进行二元分类训练，该分类器可用于预测切割过程后刀具的状态，以表示切割刀具是否可用或失效。在训练过程中，使用了 Shapley 准则来解释训练后的 ML 分类器的预测。具体而言，识别了决策和分类中每个输入特征的重要性，以解释 ML 分类器预测的推理。在对所有测试数据集实施 Shapley 准则后，发现刀具温度是确定可用和失效切割刀具分类的最重要特征。因此，该研究展示了 XAI 在工具磨损预测中为加工操作者提供诊断和理解复杂的 ML 分类器的能力。
发现论文，激发创造
  • 深度学习中的可解释 AI 技术用于轴承故障检测

    使用深度学习和可解释人工智能技术，提出了一种领域特定的特征归因框架，用于检测滚动轴承的故障，并能有效增强模型对领域专家的理解能力。

    Oct, 2023

  • 准确故障检测和诊断的可解释人工智能技术综述

    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

  • 可解释人工智能在故障诊断中的应用：基于迁移学习和增强合成数据的旋转机械故障诊断方法

    该研究提出了一种新的 FaultD-XAI 方法，即将数据从合成数据转移到现实旋转机械领域中，使用可解释的人工智能（AI）方法诊断机器故障，以解决 AI 模型的可解释性和训练数据标注困难等问题。实验结果表明，该方法在将数据移植到不同领域方面表现出很好的性能，因此有望成为一种可行的 Fault diagnosis 方法。

    Oct, 2022

  • 临床数据可解释人工智能方法的实证比较：以创伤性脑损伤为例的案例研究

    利用结构化表格和时间序列生理数据实现了创伤性脑损伤 (TBI) 的短期和长期预测模型，使用六种不同的解释技术分析了局部和全局的预测模型，并对每种方法的优缺点进行了比较，发现 SHAP 是最稳定的，且保真度最高，但理解度低。

    Aug, 2022

  • 利用可解释的人工智能来提高神经网络的性能

    本研究提出了一种重新训练流程，使用 SHapley Additive explanations 值，从 XAI 入手并利用最先进的技术来增加模型的透明度和可信度，在人数统计场景和图像分类数据集上进行了实验验证，结果表明使用 SHAP-based 重新训练方法比使用相等加权训练方法更有效，分别提高了 4% 和 3% 的准确率。

    Oct, 2022

  • 透明风力涡轮机功率曲线模型的可解释性人工智能 (XAI)

    研究表明，大型机器学习模型体系结构的普及会导致物理上不可行的模型策略，因此，我们建议更多地运用可解释人工智能（XAI）方法来选择模型，并提出了一种实用的方法来利用解释来进行风力涡轮性能监测的根本原因分析，以帮助减少停机时间，增加场地涡轮的利用率。

    Oct, 2022

  • 机器学习模型中的统一解释：一种扰动方法

    面向可解释人工智能（XAI）的高速范式转变已在近年来出现。高度复杂的机器学习（ML）模型在许多智能任务中蓬勃发展，而问题开始从传统的有效性度量转向更深层次的问题：该模型告诉我关于我的数据什么，它是如何得出这些结论的？XAI 和建模技术之间的不一致可能对这些解释性方法的效力产生质疑。为了解决这些问题，我们提出了一种针对流行的 XAI 的模型不可知方法 SHapley Additive exPlanations（Shap）进行系统的扰动分析。我们设计了一些算法，在动态推理的设置下生成相对特征重要性，这些设置针对一套流行的机器学习和深度学习方法，以及允许我们量化静态情况下生成解释的质量的度量指标。我们提出了特征重要性方法论的分类体系，度量了一致性，并观察了几个数据集中解释模型之间的可量化相似性。

    May, 2024

  • 可解释人工智能在自杀风险评估上的分析与评估

    本研究探讨了可解释的人工智能（XAI）技术在预测自杀风险和识别主要原因方面的有效性。通过数据扩充技术和机器学习模型进行预测，并利用 SHapley 加性解释方法和相关性分析来排名预测变量的重要性。实验结果表明，决策树（DT）、随机森林（RF）和极端梯度提升（XGBoost）模型取得了最佳结果，其中 DT 具有最高的准确率（95.23%）和曲线下面积（0.95）。根据 SHAP 结果，愤怒问题、抑郁和社交孤立是预测自杀风险的主要变量，而拥有良好收入、受人尊敬的职业和大学教育背景的患者具有最低的风险。结果表明，机器学习和 XAI 框架对于自杀风险预测具有有效性，可以帮助精神科医生理解人类复杂行为，并可协助可靠的临床决策。

    Mar, 2023

  • 可解释 AI 增强横向销售 —— 以能源零售为例

    该研究通过分析一个能源零售商的 220,185 位客户数据，使用可解释人工智能方法预测交叉销售，并证明 SHAP 方法提供的解释对实际买家有效，进一步阐明了信息系统、可解释人工智能和关系营销的相关研究意义。

    Aug, 2022

  • 可解释的人工智能整合特征工程用于野火预测

    通过深入研究，我们评估了各种机器学习算法在预测野火相关任务中的分类和回归任务方面的有效性。我们发现，对于不同类型或阶段的野火分类，XGBoost 模型在准确性和稳健性方面优于其他模型。与此同时，Random Forest 回归模型在预测受野火影响范围方面展现出更好的结果，同时在预测误差和解释方差两方面表现出色。此外，我们还开发了一个集成数值数据和图像信息的混合神经网络模型，用于同时进行分类和回归任务。为了深入了解这些模型的决策过程并确定重要的特征，我们利用了可解释的人工智能（XAI）技术，包括 TreeSHAP、LIME、Partial Dependence Plots（PDP）和 Gradient-weighted Class Activation Mapping（Grad-CAM）。这些解释工具揭示了各种特征的重要性和相互作用，突出了影响野火预测的复杂因素。我们的研究不仅证明了特定机器学习模型在野火相关任务中的有效性，而且强调了模型透明度和可解释性在环境科学应用中的关键作用。

    Apr, 2024