CIPCaD-Bench：用于因果发现方法基准测试的连续工业过程数据集
机器学习
2022-08-03 v1 人工智能
摘要
因果关系在制造过程中常被研究，以支持故障调查、实施干预并制定战略决策。工业 4.0 使得可用数据量不断增加，从而能够实现数据驱动的因果发现（CD）。考虑到近期提出的 CD 方法数量日益增长，有必要在公开数据集上引入严格的基准测试流程，因为这类数据集是不同方法进行公平比较与验证的基础。本工作引入了两个用于连续制造过程中 CD 的新型公开数据集。第一个数据集采用著名的 Tennessee Eastman 故障检测与过程控制模拟器。第二个数据集提取自一家超加工食品制造厂，包含该工厂的描述以及多个真值。这些数据集被用于提出一种基于不同度量指标的基准测试流程，并在广泛的 CD 算法选择上进行了评估。本工作使得在现实条件下测试 CD 方法成为可能，从而能够针对特定目标应用选出最合适的方法。数据集可通过以下链接获取：https://github.com/giovanniMen
引用
@article{arxiv.2208.01529,
title = {CIPCaD-Bench: Continuous Industrial Process datasets for benchmarking Causal Discovery methods},
author = {Giovanni Menegozzo and Diego Dall'Alba and Paolo Fiorini},
journal= {arXiv preprint arXiv:2208.01529},
year = {2022}
}
备注
Supplementary Materials at: https://github.com/giovanniMen/CPCaD-Bench