Using an interpretable Machine Learning approach to study the drivers of International Migration
UCLouvain（鲁汶大学）；UAC（阿波美卡拉维大学）
全球日益增加的移徙压力要求采用新的建模方法，以便制定有效的政策。重要的是，不仅要有有效的模型来预测移民流动，而且要了解具体参数如何影响这些流动。在本文中，我们提出了一个人工神经网络（ANN）来模拟国际移民。此外，我们使用一种解释机器学习模型的技术，即部分依赖图（PDP），以表明人们可以很好地研究国际移民背后驱动因素的影响。我们训练和评估模型的数据集包含从$175$原籍国到$33$主要经合组织目的地的从$1960$到$2010$的年度国际双边移民，以及移民文献中确定的主要决定因素。实验结果表明：1）人工神经网络模型比传统的人工神经网络模型更有效;传统模型，2）使用PDP，我们能够获得有关迁移驱动因素的具体影响的更多见解。这种方法提供了更多的信息，而不是只使用在以前的作品中使用的特征重要性信息。
2020-06-05 cs.LG physics.soc-ph
Pest presence prediction using interpretable machine learning
National Observatory of Athens（雅典国家天文台）；National Technical University of Athens（雅典国立技术大学）
棉铃虫（Helicoverpa Armigera）是危害棉花产量和品质的重要害虫。及时了解田间昆虫的存在对于有效的农场干预至关重要。气象-气候和植被条件已被确定为作物虫害发生的主要驱动因素。在这项工作中，我们应用了一个可解释的分类器，即，Explainable Boosting Machine利用地球观测植被指数、数值天气预报和昆虫诱捕器捕获量来预测希腊棉田棉铃虫危害的开始。我们方法的玻璃盒性质为模型的主要驱动因素及其相互作用提供了重要的见解。模型的可解释性增加了我们的方法的可信度，因此，它的潜力，快速吸收和基于上下文的实施，在经营农场管理方案。我们的结果是令人满意的和驱动程序的重要性，通过我们的分析，全球和本地的可解释性，是根据文献。
2022-05-16 cs.CV cs.LG
Explainable, Interpretable & Trustworthy AI for Intelligent Digital Twin: Case Study on Remaining Useful Life
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文论证了可解释AI（XAI）和可理解机器学习（IML）在数字孪生系统中准确预测剩余使用寿命（RUL）的关键作用，并利用PiML工具箱从局部和全局层面确保AI决策的透明性与可信度。
2024-04-28 cs.LG stat.AP stat.CO
Interpretable Machine Learning for Discovery: Statistical Challenges \& Opportunities
Rice University（莱斯大学）；Baylor College of Medicine（贝勒医学院）
本文综述了 Interpretable Machine Learning 在科学发现中的应用，重点探讨了在监督和无监督环境下生成新知识的技术，并以数据划分、稳定性及统计推断等理论与实践视角分析了验证发现的重大挑战。
2023-08-02 cs.LG stat.ME stat.ML
Semantic Feature Segmentation for Interpretable Predictive Maintenance in Complex Systems
INAF, Osservatorio Astrofisico di Catania（意大利国家天文研究所，卡塔尼亚天文台）
本文提出语义特征分割框架，通过领域知识将特征空间分解为包含主导预测信息的规范部分和包含结构外围信号的残差部分，实验表明该方法能提升预测维护的可解释性和性能。
2026-05-14 cs.AI cs.LG
Climate-resilient electric vehicle charging infrastructure for sustainable cities: An interpretable causal-ensemble framework for preventive maintenance and low-carbon mobility
Foshan University（佛山科学技术学院）；Jilin University（吉林大学）；National University of Singapore（新加坡国立大学）
研究针对城市气候压力增加电动汽车充电设施故障风险问题，开发FGDSE框架，通过划分特征家族、添加专家及门控机制预测故障风险，经SHAP归因等扩展为因果决策支持，实验表明其性能优越，能助力气候适应性维护与低碳出行。
2026-07-24 cs.LG math.OC
Analysis of key flavors of event-driven predictive maintenance using logs of phenomena described by Weibull distributions
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Atlantis Engineering（亚特兰蒂斯工程公司）
这项工作探索了工业4.0中事件驱动的预测性维护的两种方法，分别将手头的问题作为分类或回归问题，并使用两种最先进的解决方案作为起点。对于这两种方法中的每一种，我们研究了不同的数据预处理技术，不同的预测算法以及集成和采样方法的影响。通过对上述方面的系统实验，我们旨在了解替代品的优势，更重要的是，阐明如何以知情的方式浏览大量此类替代品。我们的工作是了解迄今为止这种数据驱动的预测性维护的真正潜力的关键一步，并帮助从业者专注于影响最大的方面。
2021-01-18 cs.LG
Interpretable Aircraft Engine Diagnostic via Expert Indicator Aggregation
Snecma, Groupe Safran（赛峰集团斯奈克玛公司）；SAMM (EA 4543), Université Paris 1（巴黎第一大学SAMM（EA 4543））
在复杂系统中检测故障（异常）的早期迹象是预防性维护的主要目标之一。它特别允许通过以优化维护成本的方式（重新）调度维护操作来避免实际故障。飞机发动机健康监测是异常检测至关重要的领域的一个代表性示例。制造商在飞行过程中收集大量与发动机相关的数据，这些数据用于检测异常情况。本文介绍和研究了一种通用的方法，允许一个建立在人类专业知识的基础上的方式，建立自动早期异常检测的迹象，并仍然可以理解的人类操作员谁作出最终的维护决策。该方法的主要思想是生成一个非常大的数量的二元指标的基础上，由专家设计的参数异常分数，这些分数的简单聚合的补充。一个特征选择方法是用来保持只作为一个朴素贝叶斯分类器的输入的最具判别力的指标。这给出了一个基于可解释异常检测器的可解释分类器，其参数已通过选择过程间接优化。所提出的方法进行评估，旨在重现一些在现实世界中观察到的发动机异常类型的模拟数据。
2015-03-18 cs.LG math.ST stat.AP
SurvCF(t): Counterfactual Explanations for Survival Analysis in Predictive Maintenance Multivariate Time Series Data
针对预测性维护多元时间序列数据的生存分析，提出SurvCF(t)框架，通过识别资产运行历史变化增加预测寿命，将解释设为约束优化问题，经多基准评估，弥合生存预测与维护差距，实现可解释决策型AI。
2026-07-21 cs.LG
COOL-MC: Verifying and Explaining RL Policies for Multi-bridge Network Maintenance
COOL-MC通过概率模型检查和可解释性方法，验证并解释多桥网络维护的强化学习策略，揭示策略的安全性和偏见问题。
2026-03-08 cs.AI cs.LG
TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework
School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）
本文提出 TranDRL 框架，结合 Transformer 的 RUL 预测与 DRL 维护决策优化，并在 NASA C-MPASS 上验证其精度、维护优化及降本增效效果。
2024-08-03 cs.AI cs.LG
Interpretable Rules for Online Failure Prediction: A Case Study on the Metro do Porto dataset
Lamarr Institute for Machine Learning and Artificial Intelligence, TU Dortmund University（拉马尔机器学习与人工智能研究所，多特蒙德工业大学）；Faculty of Economics - University of Porto（波尔图大学经济学院）
针对波尔图地铁列车故障预测中深度学习模型解释性不足的问题，提出一种基于可解释特征的在线规则解释方法，在MetroPT2数据集上生成简单规则，仅用3个传感器即可预测故障，提升解释性。
2025-02-11 cs.LG
A Survey on Predictive Maintenance for Industry 4.0
University of Würzburg（维尔茨堡大学）；University of Mannheim（曼海姆大学）；Syntax Systems GmbH；MOZYS Engineering GmbH；Chair of Information Systems II（信息系统II研究所）；Software Engineering Group（软件工程组）
2016年，大众汽车的生产问题导致每周销售额损失高达4亿欧元。这个例子显示了一个工作的生产设施对公司的巨大财务影响。特别是在工业4.0和工业物联网的数据驱动领域，智能连接的机器，传统的静态维护计划似乎是过时的。在本文中，我们对工业4.0的预测性维护的现状进行了调查。基于结构化的识字调查，我们提出了工业4.0背景下的预测性维护分类，并讨论了这一领域的最新发展。
2020-02-05 cs.LG
Predictive Maintenance using Machine Learning
Pune Institute of Computer Technology（浦那计算机技术学院）
预测性维护（PdM）是一个概念，它通过数据驱动技术预测资产的故障来有效地管理资产的维护计划。在这些场景中，在一定时间段内收集数据以监控设备的状态。目的是找到一些相关性和模式，可以帮助预测并最终防止故障。制造业中的设备经常在没有计划的维护方法的情况下使用。由于某些意外故障，这种做法经常导致意外停机。在定期维护中，在固定的时间间隔后检查生产设备的状况，如果发生任何故障，则更换部件，以避免意外的设备停机。另一方面，这导致机器不工作的时间和执行维护的成本增加。工业4.0和智能系统的出现导致人们越来越重视预测性维护（PdM）策略，这些策略可以降低停机成本并提高制造设备的可用性（利用率）。PdM还具有通过充分利用零部件的使用寿命在制造业中带来新的可持续实践的潜力。
2022-05-19 cs.LG
A Survey on Proactive Customer Care: Enabling Science and Steps to Realize it
LG Electronics（LG电子）；Advanced AI, America Research Lab（美国研究院先进人工智能实验室）
近年来，人工智能（AI）和物联网的进步使家庭和建筑环境中的设备能够实现无缝和可行的维护。一些研究表明，人工智能有潜力提供个性化的客户支持，可以比以往任何时候都更可靠地预测和避免错误。在本文中，我们分析了实现成功的人工智能驱动的预测性维护用例所需的各种构建模块。与现有的调查不同，现有的调查主要是深入了解最近的预测性维护（PdM）人工智能算法，我们的调查提供了完整的视图;从业务影响到算法的最新技术进步以及系统研究和模型部署。此外，我们还提供了使用公开数据集进行设备预测性维护的示例用例。我们的调查可以作为设计成功的预测性维护用例所需的模板。最后，我们触及现有的公共数据源，并提供了人工智能驱动的主动客户服务（PCC）用例的分步分解，从一般异常检测到故障预测，最后是根本原因分析。我们强调了这种逐步的方法如何有利于准确的模型构建，并有助于深入了解机电设备的预测性维护。
2021-10-11 cs.LG
An Attribute Oriented Induction based Methodology for Data Driven Predictive Maintenance
Mondragon Unibertsitatea - Goi Eskola Politeknikoa（蒙德拉贡大学-高等理工学院）
面向属性归纳（AOI）是一种数据采掘算法，用于提取关系数据的知识，考虑到专家知识。它是一种聚类算法，通过转换属性的值并将实例转换为更通用或更模糊的实例来工作。通过这种方式，它寻找元素之间的相似性以生成数据分组。AOI最初被认为是数据库中知识发现的算法，但多年来它已被应用于其他领域，如空间模式，入侵检测或策略制定。本文将AOI扩展到预测维护领域。其目的是证明将专家知识和从机器收集的数据相结合可以在工业资产的预测性维护中提供良好的结果。为此，我们调整了算法，并使用LSTM方法来执行异常检测（AD）和剩余使用寿命（RUL）。所获得的结果证实了该建议的有效性，因为该方法能够检测到异常，并以相当高的准确度计算RUL，直到破损。
2019-12-02 cs.LG stat.ML
A Survey on Data-Driven Fault Diagnostic Techniques for Marine Diesel Engines
Aix Marseille Univ., CNRS, LIS（艾克斯-马赛大学、法国国家科学研究中心、信息与系统科学实验室）
本文综述船用柴油机故障诊断，梳理其子系统、常见故障及数据驱动方法的最新进展，以支撑及时维护并提升船舶安全与运营效率。
2024-04-16 cs.LG
Federated Learning for Predictive Maintenance and Quality Inspection in Industrial Applications
Technische Universität Wien（维也纳技术大学）；Stiwa Automation（斯蒂瓦自动化公司）；Siemens Technology（西门子技术公司）
本文在四个不同分布的工业数据集上比较多种FL聚合方法与集中式、本地训练，证明FL在部分场景下可有效替代传统训练，并发布真实质量检测FL数据集。
2023-04-21 cs.LG
Short-Horizon Predictive Maintenance of Industrial Pumps Using Time-Series Features and Machine Learning
Humboldt-Universität zu Berlin, Institut für Physik, AG Moderne Optik（洪堡-柏林大学，物理研究所，现代光学小组）；University of Doha for Science and Technology, College of Engineering and Technology, Department of Mechanical Engineering Technology（多哈科学技术大学，工程与技术学院，机械工程技术系）
本文提出基于时间序列统计特征和机器学习的工业泵短期故障预测框架，比较不同回溯窗口下Random Forest与XGBoost的性能，发现最优历史长度取决于预测时间范围。
2025-08-27 cs.LG
An Interpretable Data-Driven Unsupervised Approach for the Prevention of Forgotten Items
University of Pisa（比萨大学）
针对购物篮预测领域遗忘物品识别研究不足、现有方法多为黑盒且缺乏可解释性的问题，本文提出遗忘物品预测任务及两种天生可解释的无监督算法，在真实零售数据集上多项指标优于现有基准10-15%。
2025-07-31 cs.LG
Scalable and Data-Driven Decision Support in the Maintenance, Repair, and Overhaul Process
Technische Universität Berlin（柏林工业大学）；Siemens Energy Global GmbH & Co. KG（西门子能源全球股份公司）
针对MRO修理过程，提出基于机器学习的智能专家系统SES，用实际工业数据验证其决策支持与架构稳定性。
2026-09-29 cs.AI cs.LG
A maturity framework for data driven maintenance
Netherlands Defence Academy（荷兰国防学院）；University of Twente（特文特大学）
本文探讨了数据驱动维护的挑战，提出包含数据/决策成熟度、现实转化、可计算性和因果性的四维成熟度框架，并通过比较两种故障检测方法验证了该框架的全面性。
2024-07-26 cs.AI cs.LG cs.SY
An interpretable deep learning method for bearing fault diagnosis
Iowa State University（爱荷华州立大学）；University of Connecticut（康涅狄格大学）；Grace Technologies（格雷斯科技公司）
针对深度学习模型的黑盒特性难以满足安全关键维护任务信任需求的问题，提出结合Grad-CAM可视化与健康库的可解释轴承故障诊断CNN方法，可直观解释预测依据且无需改动模型结构，提升了模型可信度。
2023-08-20 cs.LG
LiteInception: A Lightweight and Interpretable Deep Learning Framework for General Aviation Fault Diagnosis
Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院）；Science and Technology on Complex Aviation System Simulation Laboratory（复杂航空系统仿真重点实验室）；The First Aircraft Institute of Aviation Industry Corporation of China（中国航空工业集团公司第一飞机设计研究院）；School of Reliability and Systems Engineering, Beihang University（北京航空航天大学可靠性与系统工程学院）
本文提出LiteInception框架，通过两阶段架构实现高效故障诊断，采用多方法融合压缩模型参数，提升推理速度与可解释性，验证了其在效率、精度和可解释性上的平衡。
2026-04-02 cs.AI cs.LG
Physics-informed data-driven machine health monitoring for two-photon lithography
Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, United States（密歇根大学安娜堡分校机械工程系）；Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign, Urbana, IL 61801, United States（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系）
本文提出三种方法，结合物理信息数据驱动预测模型与统计方法，实现双光子光刻机健康状态的准确及时监测，通过实验验证其高准确度、鲁棒性和泛化能力。
2025-10-16 cs.LG stat.ML
SERVIMON: AI-Driven Predictive Maintenance and Real-Time Monitoring for Astronomical Observatories
INAF, Osservatorio Astrofisico di Catania（意大利国家天体物理研究所，卡塔尼亚天文物理观测站）
ServiMon提出一种结合云原生技术与机器学习的可扩展智能流水线，用于天文望远镜系统的预测性维护、实时异常检测与监控，有效提升系统弹性与科学数据质量。
2025-10-31 astro-ph.IM cs.LG
Data-Driven Discovery of Interpretable Kalman Filter Variants through Large Language Models and Genetic Programming
University of Reading（reading大学）；University of Cambridge（剑桥大学）
本文探讨通过遗传编程和大规模语言模型自动发现卡尔曼滤波变种的可能性，展示框架在不同条件下发现最优解及可解释替代方案的能力。
2025-08-25 cs.LG cs.NE
ST-ResGAT: Explainable Spatio-Temporal Graph Neural Network for Road Condition Prediction and Priority-Driven Maintenance
Shahjalal University of Science and Technology（沙赫拉尔科学与技术大学）；University of Oklahoma（俄克拉荷马大学）
本文提出ST-ResGAT，一种融合残差图注意力编码与GRU时间聚合的时空残差图注意力网络，用于预测道路损坏并生成ASTM合规的维护优先级，实验显示其预测精度高且具有可解释性。
2026-03-14 cs.AI cs.CE cs.ET
Reinforcement and Deep Reinforcement Learning-based Solutions for Machine Maintenance Planning, Scheduling Policies, and Optimization
University of Victoria（维多利亚大学）
本文综述了强化学习与深度强化学习在机器维护计划与优化中的应用，通过构建分类法对文献进行系统分类和总结，并指出研究空白与未来方向。
2023-07-07 cs.AI cs.LG
Interpretable, similarity-driven multi-view embeddings from high-dimensional biomedical data
University of Virginia（弗吉尼亚大学）
相似性驱动的多视图线性重建（SiMLR）是一种利用模态间关系将大型科学数据集转换为更小，更强大和可解释的低维空间的算法。SiMLR贡献了一种新的目标函数，用于识别联合信号，基于稀疏矩阵表示先前的模态内关系的正则化，以及允许应用于大数据矩阵的联合减少的实现，每个矩阵可能具有数百万个条目。我们证明了SiMLR在模拟数据，多组学癌症生存预测数据集和多模态神经成像数据集的监督学习问题上优于密切相关的方法。总之，该结果集合表明，SiMLR可以与默认参数一起应用于来自不同模态的联合信号估值，并且可以在各种应用领域中产生实际有用的结果。
2021-01-21 cs.LG stat.ML
When stakes are high: balancing accuracy and transparency with Model-Agnostic Interpretable Data-driven suRRogates
KU Leuven（鲁汶大学）；University of Amsterdam（阿姆斯特丹大学）；Université Laval（拉瓦尔大学）
银行和保险等高度监管的行业要求透明的决策算法。与此同时，竞争激烈的市场正在推动使用复杂的黑匣子模型。因此，我们提出了一个程序来开发一个模型无关的可解释的数据驱动的suRRogate（maidrr）适合结构化的表格数据。通过部分依赖效应从黑盒中提取知识。这些用于通过对变量值进行分组来执行智能特征工程。这导致了具有自动变量选择的特征空间的分割。一个透明的广义线性模型（GLM）是适合的分类格式的功能及其相关的相互作用。我们展示了我们的R包maidrr的案例研究一般保险索赔频率建模六个公开可用的数据集。我们的maidrr GLM非常接近梯度提升机（GBM）的黑盒，并优于线性和树代理作为基准。
2020-12-10 cs.LG stat.ML
Optimizing Predictive Maintenance in Intelligent Manufacturing: An Integrated FNO-DAE-GNN-PPO MDP Framework
Chengdu University of Technology（成都理工大学）
本文提出一种集成FNO、DAE、GNN与PPO的MDP框架，用于智能制造预测性维护，通过频域建模、抗噪嵌入、设备依赖图表示和策略优化实现最高13%的成本降低。
2025-11-05 cs.CE cs.LG
Forecasting remaining useful life: Interpretable deep learning approach via variational Bayesian inferences
ETH Zurich（苏黎世联邦理工学院）
预测机械、基础设施或其他设备的剩余使用寿命可以促进抢先维护决策，从而通过及时维修或更换来防止故障。这允许通过考虑预期的故障时间来提供更好的决策支持，从而有望降低成本。在这里，可以通过将概率密度函数拟合到过去的寿命，然后利用（有条件的）预期剩余使用寿命作为预测，来得出共同的基线。这种方法在实践中得到广泛使用，因为它具有很高的解释力。机器学习有望提供一种更准确的替代方案，其中预测通过传感器数据将退化过程和环境变量纳入其中。然而，机器学习在很大程度上起着黑箱方法的作用，因此其预测丧失了大部分所需的可解释性。作为我们的主要贡献，我们提出了一种结构效应神经网络来预测剩余使用寿命，它结合了两种方法的有利特性：其关键创新在于它提供了高度的问责制和深度学习的灵活性。通过变分贝叶斯推断的参数估计。根据航空发动机的实际故障时间，对不同的方法进行了比较。这表明了我们的方法的性能和优越的可解释性，而我们最后讨论的决策支持的影响。
2019-07-19 cs.LG stat.ML
Planning or Learning: Reliability and Cost in Multi-Asset Maintenance
Industrial AI Lab, Hitachi America Ltd.（日立美国有限公司工业人工智能实验室）
本研究实证比较规划与强化学习在多资产维护中的表现，发现规划以硬约束实现零故障，RL在低惩罚下成本更低但存在非零故障，并探讨了约束机制，表明两者互补。
2026-09-15 cs.AI cs.LG
Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model
本研究比较SVM、随机森林、逻辑回归及CNN-LSTM等机器学习分类模型在工业预测性维护中的性能，以准确率、精确率、召回率和F1分数评估，旨在帮助维护专家选择最优算法预测机器故障。
2024-03-15 cs.AI cs.LG
AI-Driven Predictive Maintenance with Environmental Context Integration for Connected Vehicles: Simulation, Benchmarking, and Field Validation
Independent Researcher（独立研究员）；Rajiv Gandhi College of Engineering Research and Technology（拉朱·甘地工程研究与技术学院）
提出融合车辆内部传感器与外部环境信号（道路质量、天气、交通密度、驾驶行为）的上下文数据融合框架，在合成数据、AI4I基准和五辆车实际遥测数据上验证，实现100%检测率，平均MAE 12.2天，边缘推理延迟低于1秒。
2026-06-24 cs.AI cs.LG cs.SY
Data-driven discovery of interpretable causal relations for deep learning material laws with uncertainty propagation
Johns Hopkins University（约翰斯·霍普金斯大学）；Columbia University（哥伦比亚大学）
本文提出了一个计算框架，产生合奏预测力学模型与不确定性量化（UQ）。首先，我们开发了一个因果发现算法，通过有向无环图（DAG）来推断在每个代表性体积元素（RVE）模拟过程中测量的时间历史数据之间的因果关系。利用从多个RVE模拟估计的多组合理的因果关系，预测在导出的因果图中传播，同时使用配备有dropout层的深度神经网络作为用于不确定性量化的贝叶斯近似。我们选择了两个有代表性的数值例子（摩擦界面的牵引分离定律，颗粒集合体的弹塑性模型）来检验所提出的因果发现方法在土木工程应用中常见的材料定律预测的准确性和鲁棒性。
2021-05-20 cs.LG stat.ML
Towards mechanistic understanding in a data-driven weather model: internal activations reveal interpretable physical features
Stanford University（斯坦福大学）
本文通过分析GraphCast模型的内部激活，揭示了可解释的物理特征，为数据驱动天气模型的机理理解提供了新视角。
2025-12-30 cs.LG physics.ao-ph physics.comp-ph
Machine Learning based Data Driven Diagnostic and Prognostic Approach for Laser Reliability Enhancement
ADVA Optical Networking SE（ADVA光网络公司）；Christian-Albrechts-Universität zu Kiel（基尔大学（克里斯蒂安-阿尔布雷希茨大学））
在本文中，提出了一种基于机器学习的数据驱动的诊断和预测方法来检测激光器的故障模式，并预测激光器在其操作过程中的剩余使用寿命（RUL）。我们提出了一个架构的建议认知预测维护框架，并证明其有效性，使用合成数据。
2022-03-19 cs.LG eess.SP
Interpretable deep-learning models to help achieve the Sustainable Development Goals
KTH Royal Institute of Technology（瑞典皇家理工学院）；AI Sustainability Center（人工智能可持续发展中心）；Saxion University of Applied Sciences（萨克逊应用科学大学）
我们讨论了我们对可解释的人工智能（AI）模型的见解，以及它们在开发道德AI系统以及符合可持续发展目标（SDG）的数据驱动解决方案方面的重要性。我们强调了从深度学习方法中提取真正可解释的模型的潜力，例如通过归纳偏见获得的符号模型，以确保人工智能的可持续发展。
2021-08-24 cs.AI cs.LG
Multimodal Interpretable Data-Driven Models for Early Prediction of Antimicrobial Multidrug Resistance Using Multivariate Time-Series
Rey Juan Carlos University（胡安卡洛斯国王大学）；University Hospital of Fuenlabrada（芬拉夫拉达大学医院）
本研究提出融合静态数据与多变量时间序列的可解释多模态DNN模型，用于ICU中抗菌药物多药耐药性早期预测，兼具预测效果与可解释性，方法可推广至其他EHR相关临床问题。
2024-03-08 cs.LG q-bio.QM
Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior
Department of Civil Engineering, McGill University, Montreal, QC H3A 0C3, Canada；Laboratory for Information \& Decision Systems (LIDS), Massachusetts Institute of Technology, Cambridge, MA 02139, USA
针对经典IDM单体制结构无法捕捉人类驾驶多模态特性的问题，提出基于FHMM-IDM的体制切换框架，通过双隐马尔可夫过程分离内在驾驶体制与外部场景，经MCMC贝叶斯推断，在HighD数据集上验证了其可解释性与保真度提升。
2025-06-17 cs.LG cs.RO stat.AP
Asymmetric-Loss-Guided Hybrid CNN-BiLSTM-Attention Model for Industrial RUL Prediction with Interpretable Failure Heatmaps
Omdurman Islamic University（奥尔曼伊斯兰大学）
本文提出融合1D-CNN、BiLSTM和自定义Bahdanau加性注意力机制的模型，通过非对称指数损失函数提升工业安全预测精度，并利用可解释性故障热图支持维护决策。
2026-04-17 cs.AI cs.LG cs.SY
Fully Data-driven but Interpretable Human Behavioural Modelling with Differentiable Discrete Choice Model
Fujitsu Limited（富士通有限公司）
本文提出可微离散选择模型（Diff-DCM），通过可微编程实现完全数据驱动且可解释的复杂人类行为建模、预测与控制，仅需少量计算资源即可估计闭式效用函数并提供最优行为干预路径。
2025-07-15 cs.AI cs.HC cs.LG
Towards an Interpretable Data-driven Trigger System for High-throughput Physics Facilities
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）
数据密集型科学越来越依赖于实时处理能力和机器学习工作流程，以过滤和分析收集的大量数据。在粒子物理学的能量和强度前沿尤其如此，原始数据的带宽可以超过100 Tb/s，这些数据来自数亿个传感器。在本文中，我们介绍了一种新的数据驱动的方法，用于设计和优化高吞吐量的数据过滤和触发系统，如在大型强子对撞机（LHC）等物理设施中使用的系统。具体地说，我们的目标是设计一个数据驱动的过滤系统，以最小的运行时成本来确定哪些数据事件要保留，同时保留（并可能改善）由手工设计的触发系统生成的输出分布。我们从可解释的预测建模和成本敏感学习中引入关键见解，以解决当前范式中的非局部低效问题，并构建一个具有成本效益的数据过滤和触发模型，该模型不会影响物理覆盖范围。
2021-04-14 cs.AI cs.LG hep-ex
Labelling Drifts in a Fault Detection System for Wind Turbine Maintenance
University of Navarra - Tecnun（纳瓦拉大学特克南工程学院）；NEM Solutions（NEM解决方案公司）
故障检测系统是实现预测性维护策略的第一步。检测早期故障和异常的一种流行的数据驱动方法是通过应用机器学习技术（如前馈神经网络（FFNN）或极限学习机（ELM））来训练正常行为模型。然而，任何这些建模技术的性能可以恶化的非平稳性在工业资产运行的动态环境中的意外上升。测量变量中这种不可预测的统计变化被称为概念漂移。在这篇文章中，风力涡轮机维护的情况下，各种非平稳性可能会发生意外。期望借助于统计检测器和基于窗口的方法来检测这样的概念漂移事件。然而，在真实的复杂系统中，概念漂移并不像人工生成的数据集那样清晰和明显。为了评估电流漂移检测器的有效性，并为该特定的工业应用设计适当的新技术，必须预先处理现有漂移的表征。在缺乏这方面的信息的情况下，提出了一种在风力涡轮机的寿命中标记概念漂移事件的方法。这种方法将有助于创建一个漂移数据库，将作为概念漂移探测器的训练基地，并作为一个有价值的信息，以提高知识的复杂系统的维护。
2021-06-18 cs.AI cs.LG cs.SY
Chaos as an interpretable benchmark for forecasting and data-driven modelling
UT Austin（德克萨斯大学奥斯汀分校）；Harvard University（哈佛大学）
奇异吸引子惊人的分形几何强调了混沌的生成本质：像概率分布一样，混沌系统可以被重复测量，以产生关于潜在吸引子的任意详细信息。因此，混沌系统对现代统计学习技术提出了独特的挑战，同时保留了可量化的数学特性，使其成为可控和可解释的基准。在这里，我们提出了一个不断增长的数据库，目前包括131个已知的混沌动力系统跨越领域，如天体物理学，气候学和生物化学。每个系统都与预先计算的多变量和单变量时间序列配对。我们的数据集具有与现有静态时间序列数据库相当的规模;然而，我们的系统可以重新集成以产生任意长度和粒度的额外数据集。我们的数据集用每个系统的已知数学属性进行了注释，我们进行了特征分析，对整个集合中存在的各种动态进行了广泛的分类。混沌系统固有地挑战预测模型，并且在广泛的基准测试中，我们将预测性能与存在的混沌程度相关联。我们还在几个概念验证实验中利用了我们数据集的独特生成特性：替代迁移学习来改进时间序列分类，重要性采样来加速模型训练，以及基准符号回归算法。
2023-01-29 cs.LG eess.SP nlin.CD
MechRetro is a chemical-mechanism-driven graph learning framework for interpretable retrosynthesis prediction and pathway planning
School of Software, Shandong University（山东大学软件学院）；Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR), Shandong University（山东大学-新加坡南洋理工大学人工智能联合研究中心（C-FAIR））；Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China（电子科技大学基础与前沿研究院）
提出化学机制驱动的图学习框架MechRetro，通过自适应联合学习实现可解释的逆合成预测与路径规划，在基准上显著优于现有方法，并发现新合成路径。
2022-10-06 cs.LG physics.chem-ph q-bio.BM
Interpretable Summaries of Black Box Incident Triaging with Subgroup Discovery
Univ Lyon（里昂大学）；INSA Lyon（里昂国立应用科学学院）；CNRS（法国国家科学研究中心）；Infologic（Infologic公司）
随着监控系统和设备/软件用户报告的事件数量的增加，预测性维护的需求也随之而来。在一线，待命工程师（OCE）必须快速评估事件的严重程度，并决定联系哪个服务部门采取纠正措施。为了自动化这些决策，已经提出了几种预测模型，但最有效的模型是不透明的（比如黑盒），严重限制了它们的采用。在本文中，我们提出了一个有效的黑盒模型的基础上报告给我们公司在过去的7年170 K事件，并强调需要自动化分流时，事件大量报告数千台服务器上运行我们的产品，ERP。可解释人工智能（XAI）的最新发展有助于为模型提供全局解释，但最重要的是，为每个模型预测/结果提供局部解释。可悲的是，在处理大量的日常预测时，为每个结果提供解释是不可想象的。为了解决这个问题，我们提出了一个原始的数据挖掘方法，植根于子组发现，模式挖掘技术与自然的能力，分组对象，共享类似的解释，他们的黑盒预测，并为每个组提供一个描述。我们评估这种方法，并提出我们的初步结果，这给了我们很好的希望对一个有效的OCE的通过。我们相信，这种方法提供了一种新的方法来解决模型不可知的结果解释的问题。
2021-08-06 cs.AI cs.LG cs.SE
Fault Diagnosis of Rotary Machines using Deep Convolutional Neural Network with three axis signal input
最近的趋势集中在工业4.0概念和智能制造上，数据驱动的故障诊断是基于状态的维护的关键主题。故障诊断被认为是旋转机械中的一项重要任务，因为早期检测和诊断故障状态的可能性可以节省时间和金钱。传统的数据驱动的故障诊断技术需要信号处理来进行特征提取，因为它们无法处理原始信号数据，从而导致需要专家知识和人工工作。深度学习架构在基于状态的维护中的出现有望确保高性能的故障诊断，同时降低对专家知识和人工工作的需求。本文提出了基于深度学习的旋转机械数据驱动故障诊断技术。所提出的技术将原始三轴加速度计信号作为高清图像输入到深度学习层，该层自动提取信号特征，从而实现高分类精度。
2019-10-24 cs.LG eess.SP stat.ML
Interpretable and Efficient Data-driven Discovery and Control of Distributed Systems
Technical University of Darmstadt（达姆施塔特工业大学）；University of Twente（特温特大学）；Imperial College London（伦敦帝国学院）；Politecnico di Milano（米兰理工大学）
提出一种结合SINDy-C和自编码器的Dyna式模型强化学习框架，用于PDE控制，实现数据高效、可解释且可扩展，并在Burgers和Navier-Stokes方程上验证优于无模型基线。
2024-11-06 cs.CE cs.LG math.OC
