利用 AcME-AD 实现工业过程中数据驱动异常检测的高效灵活可解释性
机器学习
2024-10-28 v2
摘要
尽管机器学习已成为工业 4.0 的关键，但其不透明的特性阻碍了信任，并妨碍了将有价值的见解转化为可执行的决策，在以人为中心的工业 5.0 演进中，这一挑战更加严峻。本文通过测试 AcME-AD 在工业环境中的适用性来满足这一需求。这一最新开发的框架有助于为异常检测提供快速且用户友好的解释。AcME-AD 是模型无关的，提供了灵活性，并优先考虑实时效率。因此，它似乎适合与工业决策支持系统无缝集成。我们展示了 AcME-AD 的首次工业应用，并通过实验展示了其有效性。这些测试表明，AcME-AD 有潜力作为工业环境中可解释异常检测和基于特征的根因分析的宝贵工具，为工业 5.0 时代可信且可执行的见解铺平了道路。
引用
@article{arxiv.2404.18525,
title = {Enabling Efficient and Flexible Interpretability of Data-driven Anomaly Detection in Industrial Processes with AcME-AD},
author = {Valentina Zaccaria and Chiara Masiero and David Dandolo and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2404.18525},
year = {2024}
}