电力质量扰动分类的贝叶斯不确定性感知解释框架
机器学习
2026-04-16 v1
摘要
高级深度学习方法在电力质量扰动(PQD)分类中显示出显著的成功。为了提高模型的透明度，已开发了解释人工智能(XAI)技术，以提供分类决策的实例特定解释。然而，传统的XAI方法产生确定性解释，忽略了不确定性，限制了在安全关键应用中的可靠性。本文提出了贝叶斯解释框架，通过为每个实例生成相关归因分布来建模解释不确定性。该方法允许专家根据置信百分位数选择解释，从而根据特定的扰动类型调整可解释性。对合成和真实世界电力质量数据集进行的广泛实验表明，所提出的框架通过不确定性感知解释提高了PQD分类器的透明度和可靠性。
引用
@article{arxiv.2604.13658,
title = {A Bayesian Framework for Uncertainty-Aware Explanations in Power Quality Disturbance Classification},
author = {Yinsong Chen and Samson S. Yu and Kashem M. Muttaqi},
journal= {arXiv preprint arXiv:2604.13658},
year = {2026}
}