SHapley估计解释（SHEP）：一种用于解释智能故障诊断的快速事后归因方法
机器学习
2025-04-08 v1 人工智能
摘要
尽管智能故障诊断（IFD）取得了显著进展，但缺乏可解释性仍然是实际工业应用的关键障碍，推动了IFD中可解释性研究的发展。事后可解释性因其能够在不修改模型结构的情况下保持网络灵活性和可扩展性而受到欢迎。然而，这些方法往往产生次优的时域解释。最近，将域变换与SHAP相结合，通过将解释扩展到信息更丰富的域，提高了可解释性。尽管如此，SHAP的计算开销因域变换带来的维度增加而加剧，仍然是一个主要挑战。为解决此问题，我们提出了补丁归因和SHapley估计解释（SHEP）。补丁归因以牺牲解释粒度为代价降低特征维度，而SHEP简化子集枚举以近似SHAP，将复杂度从指数级降低到线性级。这些方法共同显著提高了SHAP的计算效率，为监控任务中的实时解释提供了可行性。大量实验证实了SHEP在近似SHAP方面的效率、可解释性和可靠性。此外，通过开源代码，SHEP有潜力成为IFD中事后可解释性的基准。代码可在https://github.com/ChenQian0618/SHEP获取。
引用
@article{arxiv.2504.03773,
title = {SHapley Estimated Explanation (SHEP): A Fast Post-Hoc Attribution Method for Interpreting Intelligent Fault Diagnosis},
author = {Qian Chen and Xingjian Dong and Zhike Peng and Guang Meng},
journal= {arXiv preprint arXiv:2504.03773},
year = {2025}
}
备注
16 pages, 21 figures