ABIGX: A Unified Framework for eXplainable Fault Detection and Classification

要約

説明可能な障害検出および分類 (FDC) のために、本論文では、統合フレームワークである ABIGX (Adversarial Failure Reconstruction-Based Integrated Gradient eXplanation) を提案します。
ABIGX は、以前に成功した故障診断方法の本質であるコントリビューション プロット (CP) と再構成ベースのコントリビューション (RBC) から派生しています。
これは、一般的な FDC モデルに対する変数の寄与を提供する最初の説明フレームワークです。
ABIGX の中核となるのは、敵対的障害再構築 (AFR) 手法です。これは、敵対的攻撃の観点から FR を再考し、新しい障害インデックスを使用して障害分類モデルに一般化します。
故障分類に関して、我々は正しい説明を本質的に妨げる故障クラススミアリングという新しい問題を提案しました。
私たちは、ABIGX がこの問題を効果的に軽減し、既存の勾配ベースの説明方法よりも優れていることを証明します。
障害検出については、理論的には、CP と RBC が ABIGX の線形仕様であることを証明することで、ABIGX と従来の障害診断方法を橋渡しします。
実験では、定量的な指標と直感的な図解によって FDC の説明が評価され、その結果は、他の高度な説明手法に対する ABIGX の一般的な優位性を示しています。

要約(オリジナル)

For explainable fault detection and classification (FDC), this paper proposes a unified framework, ABIGX (Adversarial fault reconstruction-Based Integrated Gradient eXplanation). ABIGX is derived from the essentials of previous successful fault diagnosis methods, contribution plots (CP) and reconstruction-based contribution (RBC). It is the first explanation framework that provides variable contributions for the general FDC models. The core part of ABIGX is the adversarial fault reconstruction (AFR) method, which rethinks the FR from the perspective of adversarial attack and generalizes to fault classification models with a new fault index. For fault classification, we put forward a new problem of fault class smearing, which intrinsically hinders the correct explanation. We prove that ABIGX effectively mitigates this problem and outperforms the existing gradient-based explanation methods. For fault detection, we theoretically bridge ABIGX with conventional fault diagnosis methods by proving that CP and RBC are the linear specifications of ABIGX. The experiments evaluate the explanations of FDC by quantitative metrics and intuitive illustrations, the results of which show the general superiority of ABIGX to other advanced explanation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google