利用可解释人工智能检测传感器间差异
机器学习
2023-06-21 v1 信号处理
摘要
随着人们对空气质量及其对人类健康影响的日益关注，对环境气体监测的兴趣不断增加。然而，化学电阻式气体传感器件在制造过程中饱受传感器重现性问题的困扰。本研究提出了一种利用SHapley加性解释（SHAP，SHapley Additive exPlanations）这一可解释人工智能（XAI，explainable AI）方法检测传感器件中传感器间差异的新方法。该方法通过机器学习识别对环境气体浓度估计贡献最大的传感器，并衡量传感器间特征排序的相似性以标记偏差或离群值。该方法论使用人工和真实的臭氧浓度剖面来训练门控循环单元（GRU，Gated Recurrent Unit）模型进行测试。研究中探索了两种应用：训练数据集中传感器错误行为的检测，以及测试数据集中偏差的检测。通过使用剪枝后的训练数据集训练GRU，我们能够在提升模型性能的同时降低计算成本。总体而言，结果表明我们的方法增进了对传感器行为的理解，成功检测到偏离正常行为低至5-10%的传感器偏差，并带来更高效的模型准备与校准。我们的方法在人工智能模型层面提供了一种识别偏离传感器的全新解决方案，将硬件中的不一致性与制造过程中的传感器间差异联系起来。
引用
@article{arxiv.2306.10850,
title = {Detection of Sensor-To-Sensor Variations using Explainable AI},
author = {Sarah Seifi and Sebastian A. Schober and Cecilia Carbonelli and Lorenzo Servadei and Robert Wille},
journal= {arXiv preprint arXiv:2306.10850},
year = {2023}
}
备注
6 pages, 6 figures, accepted at Smart Systems Integration Conference and Exhibition 2023