ShaTS：一种基于 Shapley 值的时间序列人工智能模型可解释性方法及其在工业物联网异常检测中的应用

工业物联网环境越来越依赖先进的异常检测和解释技术来快速检测和缓解网络事件，从而确保运营安全。从这些环境收集的数据具有序列特性，这使得通过处理时间窗口而非将数据视为表格数据，利用机器学习和深度学习模型改进异常检测成为可能。然而，传统的解释方法通常忽略这种时间结构，导致解释不够精确或缺乏可操作性。本工作提出了 ShaTS（用于时间序列模型的 Shapley 值），这是一种模型无关的可解释人工智能方法，旨在提高时间序列模型 Shapley 值解释的精度。ShaTS 通过引入先验特征分组策略解决了传统方法的缺陷，该策略保留了时间依赖性，并产生连贯且可操作的见解。在 SWaT 数据集上进行的实验表明，ShaTS 能够准确识别关键时刻，精确定位受异常影响的传感器、执行器和过程，并在可解释性和资源效率方面均优于 SHAP，满足了工业环境的实时要求。