CICADA: Cross-Domain Interpretable Coding for Anomaly Detection and Adaptation in Multivariate Time Series
Tsinghua University（清华大学）
提出CICADA框架，通过混合专家、选择性元学习、自适应扩展和分层注意力四项创新，解决多变量时间序列跨域异常检测中的分布偏移与泛化问题，并在性能和可解释性上超越现有方法。
2025-05-01 cs.LG
MIXAD: Memory-Induced Explainable Time Series Anomaly Detection
Sungkyunkwan University（成均馆大学）；Center for Computational & Data Sciences, Independent University, Bangladesh（孟加拉国独立大学计算与数据科学中心）
针对现有时间序列异常检测方法重性能轻可解释性的问题，提出结合记忆网络与时空单元的MIXAD模型及新型异常评分法，在保证检测性能的同时，可解释性指标较最优基线提升超34%。
2024-10-30 cs.LG
SEFraud: Graph-based Self-Explainable Fraud Detection via Interpretative Mask Learning
Huawei Inc（华为公司）；Peking University（北京大学）；ICBC Limited（中国工商银行股份有限公司）
本文提出SEFraud框架，通过带可学习特征与边掩码的异构图Transformer及三元组损失，同时实现欺诈检测与自解释，并在多数据集和工商银行生产环境验证有效。
2024-06-17 cs.LG
A Maritime Industry Experience for Vessel Operational Anomaly Detection: Utilizing Deep Learning Augmented with Lightweight Interpretable Models
Mälardalen University（梅拉达伦大学）；Gdansk University of Technology（格但斯克工业大学）
本研究提出一种结合LSTM自编码器与轻量级代理模型的船舶运营异常检测方法，在TUCANA传感船舶上验证了其高检测性能与可解释性，有效提升了工程师的决策效率。
2025-01-25 cs.LG
Collaborative Streaming Anomaly Detection with Interactive Explanations and Ensemble Consensus
GECAD, ISEP, Polytechnic of Porto（波尔图理工学院，ISEP，GECAD）；SISTRADE Software Consulting（SISTRADE软件咨询公司）
该系统通过异构检测器加权共识与替代模型解释，将人类分析师纳入决策循环，在工业数据流上实现稳健异常检测与可操作交互。
2026-09-22 cs.LG
Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection
Scania CV AB（斯堪尼亚汽车公司）；KTH Royal Institute of Technology（瑞典皇家理工学院）；RISE Research Institutes of Sweden（瑞典RISE研究院）；Linköping University（林雪平大学）
针对自编码器时间序列异常检测不透明的问题，本文结合特征选择与基于梯度的反事实解释，在 SKAB 和工业数据集上验证其可产生更稀疏且有效的决策解释。
2025-01-03 cs.LG
Balancing Performance and Fairness in Explainable AI for Anomaly Detection in Distributed Power Plants Monitoring
African Institute for Mathematical Sciences (AIMS)（非洲数学科学研究所）；Rhodes University（罗德斯大学）；National Institute for Theoretical and Computational Sciences (NITheCS)（国家理论与计算科学研究所）；Ludwig Maximilian University of Munich（慕尼黑路易斯·马克西米利安大学）；University of Ferrara（费拉拉大学）
本文提出结合集成方法和先进重采样技术的监督机器学习框架，通过SHAP和DIR提升可解释性和公平性，实验表明LightGBM在性能和公平性上表现优异，为工业电力管理提供更公平的AI解决方案。
2026-03-19 cs.LG
LogiCode: an LLM-Driven Framework for Logical Anomaly Detection
本文提出LogiCode框架，利用大语言模型自动生成Python代码检测工业逻辑异常，并通过LOCO-Annotations数据集和LogiBench基准验证其在准确率、可解释性等方面的提升。
2024-06-07 cs.CV cs.LG
PhysAttNet: Enhancing Predictive Performance in Industrial and Astrophysical Time Series via Physics-Informed Attention
Faculty of Physics and Astronomy, Ruhr University Bochum（鲁尔大学波鸿分校物理与天文学学院）；Virtual Machining Group, TU Dortmund（多特蒙德工业大学虚拟加工组）；Faculty of Physics（物理学院）
本文提出PhysAttNet，一种物理信息注意力框架，通过三种物理引导的正则化改进轻量型CNN预测器，在铣削切削力和blazar耀斑预测任务中提升了时间序列预测的精度、泛化性及对关键事件的性能。
2026-08-11 cs.LG physics.data-an
Toward Faithful Explanations in Acoustic Anomaly Detection
Mila-Quebec AI Institute（魁北克AI研究所）；Concordia University（康科迪亚大学）；FORAC Research Consortium（FORAC研究联盟）；Université Laval（拉瓦尔大学）
本文研究了基于自编码器的音频异常检测模型的可解释性，发现掩码自编码器在提供更可信的解释方面表现更优，且不影响检测性能。
2026-01-19 cs.LG cs.SD eess.AS
Quantifying Statistical Significance of Deep Nearest Neighbor Anomaly Detection via Selective Inference
Nagoya University（名古屋大学）；RIKEN（理化学研究所）
本文提出通过选择性推断量化深度kNN异常检测的统计显著性，以p值形式控制假阳性率，提升工业应用中的可靠性。
2025-11-28 cs.LG stat.ML
Self-Supervised and Interpretable Anomaly Detection using Network Transformers
Virginia Commonwealth University（弗吉尼亚联邦大学）；Idaho National Laboratory（爱达荷国家实验室）
监控计算机网络中的流量是保护关键基础设施免受网络攻击的核心方法之一。机器学习（ML）和深度神经网络（DNN）在过去已经被提出作为识别计算机网络中异常的工具。虽然检测到这些异常提供了攻击的指示，但是仅仅检测到异常并不足以让用户理解异常。现成ML模型的黑盒性质阻止了提取重要信息，这些信息对于隔离故障/攻击源并采取纠正措施至关重要。在本文中，我们介绍了网络Transformer（NeT），DNN模型的异常检测，结合了通信网络的图形结构，以提高可解释性。所提出的方法具有以下优点：1）通过结合计算机网络的图结构来增强可解释性; 2）提供分层特征集，其使得能够在不同粒度级别进行分析; 3）不需要标记数据的自监督训练。所提出的方法进行了测试，通过评估在工业控制系统（ICS）的异常的成功检测。所提出的方法成功地识别了异常、受影响的设备以及导致异常的特定连接，提供了一种数据驱动的分层方法来分析网络行为。
2022-02-25 cs.AI cs.CR cs.LG
A task of anomaly detection for a smart satellite Internet of things system
School of Mathematics, Hefei University of Technology（合肥工业大学数学学院）；School of Electrical and Automation Engineering, Hefei University of Technology（合肥工业大学电气与自动化工程学院）；CCNU Wollongong Joint Institute, Central China Normal University（华中师范大学伍伦贡联合研究院）
针对智能卫星物联网环境传感器异常检测中非线性特征表达难、实时性要求高及标注数据少的问题，提出基于生成对抗网络与自注意力机制的无监督深度学习系统，结合重构与判别误差计算异常分数，实现高实时、可解释的异常监控。
2024-03-21 cs.LG eess.SP
Explainable Anomaly Detection for Electric Vehicles Charging Stations
University of Padova（帕多瓦大学）
针对电动汽车充电站异常及其成因识别需求，本文提出结合Isolation Forest与DIFFI的无监督可解释异常检测方法，并在真实工业案例中评估。
2025-07-21 cs.AI cs.LG
Enabling Trustworthy Federated Learning in Industrial IoT: Bridging the Gap Between Interpretability and Robustness
Mepco Schlenk Engineering College（梅普科施伦克工程学院）；Fordham University（福特汉姆大学）；University of South Florida（南佛罗里达大学）；Hung Yen University of Technology and Education（兴安工业大学）；Royal Military College of Canada（加拿大皇家军事学院）
本文研究工业物联网中联邦学习面临的可解释性与鲁棒性挑战，提出弥合二者差距的设计策略以实现可信联邦学习，并通过案例研究验证其在增强信任、改进决策和保障安全经济影响方面的作用。
2024-09-01 cs.AI cs.LG
Multivariate Time-series Anomaly Detection via Graph Attention Network
Microsoft（微软）；Peking University（北京大学）
多元时间序列的异常检测在数据采掘研究和工业应用中具有重要意义。最近的方法在这一主题上取得了重大进展，但仍然存在局限性。一个主要的限制是，它们没有明确地捕捉不同时间序列之间的关系，导致不可避免的误报。在本文中，我们提出了一种新的自监督框架的多元时间序列异常检测来解决这个问题。我们的框架将每个单变量时间序列视为一个单独的特征，并包括两个并行的图形注意力层，以学习多变量时间序列在时间和特征维度上的复杂依赖关系。此外，我们的方法联合优化基于预测的模型和基于构造的模型，通过单时间戳预测和整个时间序列的重构相结合，获得更好的时间序列表示。我们通过大量的实验证明了我们的模型的有效性。所提出的方法优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明，我们的方法具有良好的解释性，是有用的异常诊断。
2020-09-04 cs.LG stat.ML
Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring
IBM Research（IBM研究院）
本文提出一种自适应置信区间异常检测方法，利用预训练基础模型进行预测，无需额外微调，实现可解释的异常评分，适用于资源受限环境，解决数据有限和快速推理需求问题。
2026-04-22 cs.AI cs.LG
A Mechanistic Interpretation of Prescribed-Parameter Convolutional Kernels
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；UC3M-Santander Big Data Institute（UC3M-桑坦德大数据研究所）
该研究从理论上分析了Rocket算法，将其随机卷积核形式化为压缩感知中的随机投影，证明其能保留判别模式并表达数据稀疏性，同时满足平移不变性和噪声鲁棒性，为参数优化提供指导。
2026-10-28 cs.LG stat.ML
Attention Mechanism for Multivariate Time Series Recurrent Model Interpretability Applied to the Ironmaking Industry
Paul Wurth S.A.（保尔沃斯公司）；UFR Sciences et Technologie（科学与技术学院）；DataThings S.A.R.L.（DataThings有限责任公司）；Université de La Rochelle（拉罗谢尔大学）
数据驱动模型的可解释性是获得过程工程师认可的要求，以依赖数据驱动模型的预测来调节炼铁工业中的工业过程。在本文提出的研究中，我们专注于开发一个可解释的多变量时间序列预测深度学习架构，用于高炉生产的铁水温度。提出了一种基于长短期记忆（LSTM）的架构，该架构通过注意力机制和引导反向传播来增强，以适应每个输入的局部时间可解释性的预测。结果显示，这种架构应用于高炉数据的潜力很大，并提供了可解释性，正确反映了固有高炉工艺所决定的真实复杂变量关系，并且与基于递归的深度学习架构相比，预测误差更小。
2020-07-15 cs.LG
TimePred: efficient and interpretable offline change point detection for high volume data -- with application to industrial process monitoring
Technische Universität Berlin - Machine Learning Group（柏林技术大学-机器学习组）
TimePred通过自监督框架实现高效且可解释的高体积数据突变点检测，适用于工业过程监控，显著降低计算成本并提升检测准确性。
2025-12-01 cs.LG
A general anomaly detection framework for fleet-based condition monitoring of machines
Siemens Digital Industries Software（西门子数字工业软件公司）；KU Leuven（鲁汶大学）；Université Libre de Bruxelles（布鲁塞尔自由大学）；Flanders Make（法兰德斯制造研究院）
机器故障减少了正常运行时间，并可能导致额外的维修成本，甚至造成人员伤亡和环境污染。最近的状态监测技术使用人工智能来努力避免耗时的人工分析和手工制作的特征提取。其中许多只分析一台机器，需要大量的历史数据集。在实践中，这可能是困难和昂贵的收集。然而，一些工业状态监测应用涉及一个类似的操作机器的舰队。在大多数这些应用中，假设大多数机器处于健康状态是安全的。偏离机器行为则是机器故障的指示器。这项工作提出了一个无监督的，通用的，异常检测框架的船队为基础的条件监测。它使用通用的构建块，并提供三个关键优势。首先，由于在线车队比较，不需要历史数据集。其次，它允许通过用户定义的比较措施来整合领域专业知识。最后，与大多数黑箱人工智能技术相反，易于解释性允许领域专家验证框架所做的预测。两个用例上的电机车队证明了该框架的适用性，以检测电压不平衡的电气和振动特征。
2020-01-07 cs.LG eess.SP stat.ML
Representation Learning for Content-Sensitive Anomaly Detection in Industrial Networks
Brandenburg University of Technology（勃兰登堡工业大学）
本文提出了一个基于convGRU的自动编码器框架，以无监督和协议无关的方式学习原始网络流量的时空方面。学习的表示用于测量对后续异常检测的结果的影响，并与没有提取的特征的应用进行比较。评估结果表明，异常检测不能有效地增强时，压缩流量片段的网络入侵检测的背景下。然而，经过训练的自动编码器成功地生成了网络流量的压缩表示（代码），其中包含空间和时间信息。基于模型的剩余损耗，自动编码器还能够自行检测异常。最后，一种模型可解释性（LRP）的方法进行了研究，以确定在原始输入数据，这是用来丰富异常检测方法产生的警报的相关领域。
2022-04-20 cs.LG
RP-CATE: Recurrent Perceptron-based Channel Attention Transformer Encoder for Industrial Hybrid Modeling
Department of Control Science and Engineering, Zhejiang University（控制科学与工程系，浙江大学）；Risk Department, Binance（Binance风险部）
本文提出RP-CATE，通过引入通道注意力和递归感知机模块，提升工业混合建模的性能。
2025-12-22 cs.LG
Self-Evolving Multi-Agent Network for Industrial IoT Predictive Maintenance
Department of Electronics Technology, Faculty of Electrical Engineering and Informatics, Budapest University of Technology and Economics（布达佩斯技术与经济大学电子技术系）；DataScienceWorld；Department of Computer Science, The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校计算机科学系）
SEMAS通过自演化多智能体架构实现工业物联网预测性维护的实时异常检测与资源优化
2026-02-17 cs.LG cs.MA
SAFE: Scalable Automatic Feature Engineering Framework for Industrial Tasks
Ant Financial Services Group（蚂蚁金融服务集团）
机器学习技术在互联网企业中被广泛应用于各种任务，成为必不可少的驱动力，而特征工程被普遍认为是构建机器学习系统的关键环节。近年来，自动特征工程方法的发展得到了越来越多的关注，从而可以解放大量繁琐的手工工作。然而，对于工业任务，这些方法的效率和可扩展性仍然远远不能令人满意。在本文中，我们提出了一个分阶段的方法命名为安全（可扩展的自动特征工程），它可以提供良好的效率和可扩展性，以及必要的可解释性和有前途的性能。实验结果表明，与其他方法相比，该方法具有显著的效率和竞争力。更重要的是，所提出的方法的足够的可扩展性，确保它被部署在大规模的工业任务。
2020-03-09 cs.LG stat.ML
Addressing the interpretability problem for deep learning using many valued quantum logic
IBM Systems（IBM系统）
深度学习模型广泛用于各种工业和科学应用。尽管这些模型近年来取得了相当大的成功，但在机器学习社区中，对这些系统做出的决策背后的基本原理缺乏理解。这一可解释性问题因这类模型日益复杂而进一步恶化。本文利用机器学习，量子计算和量子场论的概念来演示多值量子逻辑系统如何自然地出现在一类特定的生成深度学习模型中，称为卷积深度信念网络。它为构建深度学习模型提供了一个强大的理论框架，该模型具有许多有值量子逻辑系统的可解释性，而不会影响其计算效率。
2020-07-02 cond-mat.dis-nn cs.LG stat.ML
Identifying Slug Formation in Oil Well Pipelines: A Use Case from Industrial Analytics
ABB Global Industries and Services Pvt. Ltd.（ABB全球工业与服务有限公司）
针对油气管道段塞检测缺乏实时性和可解释性的问题，提出一款端到端交互式数据驱动检测应用，集成数据标注、多分类器训练评估、可视化及实时警报功能，有效弥合了数据科学与工业决策的鸿沟。
2025-11-02 cs.LG
Industrial Tokenization for LLM-Based Health Intelligence: A Federated Architecture for Industrial Evidence Integration
Mingyang Smart Energy Co., Ltd.（明阳智慧能源集团股份有限公司）
研究工业健康管理中异构信息源集成问题，提出工业令牌化概念及联邦架构，将特定源分析输出转为工业令牌，以实现跨源推理。给出基于振动诊断输出等的端到端诊断令牌路径，定位工业令牌化为语义接口。
2026-07-27 cs.AI cs.LG
Latent Variable Models in the Era of Industrial Big Data: Extension and Beyond
Zhejiang University（浙江大学）
丰富的数据供应和创新的算法使数据驱动建模成为现代工业中的流行技术。在各种数据驱动的方法中，隐变量模型（LVMs）及其对应模型在许多工业建模领域中占有重要的份额并发挥着至关重要的作用。LVM一般可分为基于统计学习的经典LVM和基于神经网络的深度LVM（DLVM）。本文首先详细介绍了经典逻辑向量机的定义、理论和应用，既是对经典逻辑向量机的全面介绍，也是对经典逻辑向量机应用的简要概述。然后对当前主流的DLVM进行了详细的介绍，重点介绍了它们的原理和模型结构，并对DLVM的工业应用进行了详细的综述。上述两种类型的LVM有明显的优点和缺点。具体而言，经典的LVMs具有简洁的原理和良好的可解释性，但它们的模型容量无法解决复杂的任务。基于神经网络的DLVM具有足够的模型容量，可以在复杂场景中实现令人满意的性能，但它牺牲了模型的可解释性和效率。为了结合这两种模型的优点和缺点，并探索非神经网络的深度模型构建方法，提出了一种新的轻量级深度模型（LDLVM）的概念。在提出这一新思想后，本文首先阐述了LDLVM的动机和内涵，然后提出了两种新的LDLVM，并详细描述了它们的原理、结构和优点。最后，展望和机会进行了讨论，包括重要的开放问题和可能的研究方向。
2022-10-05 cs.LG cs.SY eess.SY
Agent-based Condition Monitoring Assistance with Multimodal Industrial Database Retrieval Augmented Generation
本文提出MindRAG框架，将多模态RAG、专用向量存储与LLM推理智能体引入工业状态监测，以降低误报、支持严重程度评估与维护决策并增强可解释性。
2025-06-10 cs.LG
Interpretable MTL from Heterogeneous Domains using Boosted Tree
Ant Financial Services Group（蚂蚁金融服务集团）
多任务学习（MTL）旨在通过利用其中包含的有用信息来提高多个相关任务的泛化性能。然而，在工业场景中，总是要求可解释性，并且不同任务的数据可能在异构域中，使得现有方法不适合或不令人满意。在本文中，遵循提升树的哲学，我们提出了一个两阶段的方法。在第一阶段，建立一个通用模型，使用所有实例的共同特征来学习共性。与传统的boosted tree模型的训练不同，我们提出了一种正则化策略和提前停止机制来优化多任务学习过程。在第二阶段，首先拟合通用模型的残差，然后利用特定任务实例构建特定模型，以进一步提高性能。在基准数据集和真实数据集上的实验验证了该方法的有效性。而且，基于树的方法可以自然地获得可解释性，满足工业需要。
2020-03-16 cs.LG stat.ML
GenFacts-Generative Counterfactual Explanations for Multi-Variate Time Series
Technical University of Munich（慕尼黑技术大学）；Infineon Technologies AG（英飞凌科技公司）；Johannes Kepler University Linz（林茨约翰尼斯·凯普勒大学）
GenFacts通过生成多变量时间序列的反事实解释，提升了反事实的合理性和用户可解释性，优于现有方法。
2026-02-17 cs.LG
Towards transparent and data-driven fault detection in manufacturing: A case study on univariate, discrete time series
本文提出一种结合机器学习和可解释方法的故障检测方法，通过量化扰动分析和专家评估验证其有效性，在单变量离散时间序列中实现95.9%的检测准确率。
2025-06-30 cs.AI cs.LG eess.SP
XEdgeAI: A Human-centered Industrial Inspection Framework with Data-centric Explainable Edge AI Approach
University of New Brunswick（新不伦瑞克大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔朗根-纽伦堡大学）
本文提出 XEdgeAI 框架，通过 XAI 引导的数据增强和 LVLM 解释，在移动边缘设备上部署轻量语义分割模型，兼顾准确率、可解释性与工业可用性。
2024-10-25 cs.AI cs.CV cs.LG
Enhancing Feature Selection and Interpretability in AI Regression Tasks Through Feature Attribution
TH Koeln（科隆应用技术大学）；MAN Energy Solutions（曼恩能源方案公司）
本研究提出一种结合Integrated Gradients与k-means聚类的特征选择流水线，用于过滤回归任务中的无信息特征，提升预测准确性与稳定性，并在涡轮机械叶片振动分析的实际工业问题中验证了其有效性。
2024-09-25 cs.AI cs.LG
IT-OSE: Exploring Optimal Sample Size for Industrial Data Augmentation
Harbin Institute of Technology（哈尔滨工业大学）
IT-OSE通过信息论方法提供工业数据增强的最优样本量估计，提升分类准确率和回归任务的MAPE，同时降低计算和数据成本，增强模型稳定性与通用性。
2026-02-03 cs.AI cs.LG
Bridging the Sim-to-Real Gap in Reinforcement Learning-Based Industrial Dispatching through Execution Semantics
Department of Industrial Engineering（工业工程系）；Rosenheim Technical University of Applied Sciences（罗森海姆应用技术大学）
提出一个策略无关的执行与测量层，通过构建决策有效快照、定义标准化执行合约并记录结果分歧，将执行不确定性转化为可观测的结构化数据，从而弥合仿真与现实的差距。
2026-05-27 cs.AI cs.LG
Combining SHAP and Causal Analysis for Interpretable Fault Detection in Industrial Processes
Labcin - Nature Inspired Computing Laboratory（自然启发计算实验室）；Graduate Program in Computer Science, Federal University of Espírito Santo（计算机科学研究生项目，巴西圣埃里希托萨大学）
本研究针对工业过程故障检测性能与可解释性不足的问题，结合SHAP特征筛选与多算法生成有向无环图的因果分析，在Tennessee Eastman Process基准上提升了检测精度，明确了故障传播机制与关键影响单元。
2025-10-27 cs.LG stat.ME
MaskTab: Scalable Masked Tabular Pretraining with Scaling Laws and Distillation for Industrial Classification
Zhejiang University（浙江大学）；MyBank, Ant Group（蚂蚁集团MyBank）
MaskTab通过结合监督预训练和MoE增强损失，提升工业表格数据的分类性能，实现更高的AUC和KS值，并在轻量化模型中保持鲁棒性。
2026-05-12 cs.AI cs.CL cs.LG
Fuzzy Recurrent Stochastic Configuration Networks for Industrial Data Analytics
Northeastern University（东北大学）；China University of Mining and Technology（中国矿业大学）
针对工业数据分析中非线性动力学建模的不确定性问题，提出结合TSK模糊规则与多子储层的模糊循环随机配置网络，经RSC算法训练和投影算法在线更新，性能优于经典模型，可用于复杂工业系统建模。
2024-08-13 cs.AI cs.LG cs.NE
Machine learning for industrial sensing and control: A survey and practical perspective
University of British Columbia（不列颠哥伦比亚大学）；University of Alberta（阿尔伯塔大学）；Incheon National University（仁川国立大学）；Central South University（中南大学）；Imperial College London（伦敦帝国理工学院）；Seoul National University（首尔国立大学）
本文综述流程工业中机器学习在软测量、优化与控制中的实践，提出以混合建模整合先验知识，并比较数学规划与强化学习两类路径。
2024-01-24 cs.LG cs.SY eess.SY
VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry
Paul Wurth S.A.（保尔沃斯公司）
应用于生成数据驱动模型的机器学习缺乏透明度，导致过程工程师对依赖模型预测来优化其工业过程失去信心。使用数据驱动模型将行业流程提升到一定程度的自主性尤其具有挑战性，因为这些模型的第一个用户通常是拥有数十年经验的流程专家。有必要向过程工程师展示，不仅是模型预测，而且还有它们的可解释性。为此，文献中提出了几种方法。局部可解释模型不可知解释（LIME）方法最近引起了研究界的极大兴趣。该方法的原理是通过在局部随机生成人工数据点来训练一个局部逼近黑盒模型的线性模型。最近出现了基于LIME的模型不可知局部可解释性解决方案，以改进原始方法。在本文中，我们提出了一种新的方法，VAE-LIME，本地可解释的数据驱动模型预测的高炉生产的铁水温度。这样的炼铁过程数据的特征在于具有高度相关性的多变量时间序列，其代表高炉中的潜在过程。我们的贡献是使用变分自编码器（VAE）从数据中学习复杂的高炉过程特性。VAE旨在生成最佳人工样本以训练局部可解释模型，该局部可解释模型在由黑盒模型处理的输入样本的邻域中更好地表示黑盒模型以进行预测。与LIME相比，VAE-LIME显示出显着改善的局部可解释线性模型的局部保真度与黑盒模型，从而产生鲁棒的模型可解释性。
2020-07-15 cs.AI cs.LG stat.ML
Stochastic Configuration Machines: FPGA Implementation
La Trobe University（拉筹伯大学）；China University of Mining and Technology（中国矿业大学）；Northeastern University（东北大学）
本文研究在 FPGA 上实现随机配置机（SCM），通过二值化随机权重和二进制编码输入减少内存资源，并在基准与工业数据集上验证了单层及深层架构的性能。
2023-10-30 cs.AI cs.LG cs.NE
Learning Actionable World Models for Industrial Process Control
Zurich University of Applied Sciences（苏黎世应用科技大学）；ETH Zurich（苏黎世联邦理工学院）；University of Zurich（苏黎世大学）；Kistler Instrumente AG（奇石乐仪器股份公司）；Xiamen University（厦门大学）
提出一种基于世界模型解耦潜在表征的工业过程控制方法，利用对比学习预测过程变化，并在塑料注塑成型中验证了其有效性。
2025-04-25 cs.AI cs.LG cs.SY
CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing
Birmingham City University（伯明翰城市大学）；Helen and John C. Hartmann Department of Electrical and Computer Engineering（海伦和约翰·C·哈特曼电气与计算机工程系）；New Jersey Institute of Technology（新泽西理工学院）
CLAIRE是一种结合无监督深度表示学习和监督分类的深度学习框架，用于智能制造中的故障检测，通过压缩潜在空间和可解释性技术提升故障预测的准确性与鲁棒性。
2026-03-06 cs.AI cs.LG cs.SY
KANS: Knowledge Discovery Graph Attention Network for Soft Sensing in Multivariate Industrial Processes
University of Twente（特文特大学）；Wright State University（莱特州立大学）
针对工业多变量过程的非线性、动态性和非欧依赖问题，提出KANS框架，通过无监督图结构学习与图注意力表征学习实现无需预定义拓扑的高精度、可解释软测量。
2025-01-02 cs.AI cs.LG cs.SY
Rebuilding Trust in Active Learning with Actionable Metrics
Dataiku
主动学习（AL）是一个活跃的研究领域，但很少在工业中使用，尽管迫切需要。这在一定程度上是由于目标的不一致，虽然研究努力在选定的数据集上获得最佳结果，但行业希望保证主动学习的表现始终如一，至少比随机标记更好。主动学习的一次性性质使得了解如何进行策略选择以及导致性能不佳的原因（缺乏探索，选择太难分类的样本......）至关重要。为了帮助重建行业从业者对主动学习的信任，我们提出了各种可操作的指标。通过对CIFAR 100，Fashion-MNIST和20个新闻组等参考数据集的广泛实验，我们表明这些指标为从业者可以利用的AL策略带来了可解释性。
2021-02-19 cs.LG stat.ML
LightGCNet: A Lightweight Geometric Constructive Neural Network for Data-Driven Soft sensors
China University of Mining and Technology（中国矿业大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Chongqing University（重庆大学）；Nanyang Technological University（南洋理工大学）
针对工业软测量中深度学习模型结构复杂、资源占用高的问题，提出轻量级几何构造神经网络LightGCNet，通过角度约束分配隐层参数并优化过程，兼具小体积、快学习与好泛化的特性。
2023-12-19 cs.LG stat.ML
A Human-in-the-Loop Approach based on Explainability to Improve NTL Detection
Barcelona School of Informatics Universitat Politecnica de Catalunya 08034 Barcelona, Spain Email
实施基于机器学习的系统来检测欺诈和其他非技术性损失（NTL）是具有挑战性的：可用的数据是有偏见的，并且目前使用的算法是黑箱，利益相关者无法轻易信任或理解。这项工作解释了我们的人在回路中的方法，以减轻这些问题在一个真实的系统，使用监督模型来检测非技术损失（NTL）的国际公用事业公司从西班牙。这种方法利用人类知识（例如来自数据科学家或公司利益相关者的知识）和解释方法提供的信息，在培训过程中指导系统。这种简单、高效的方法可以很容易地在其他工业项目中实现，在真实数据集上进行了测试，结果表明，所推导的预测模型在准确性、可解释性、鲁棒性和灵活性方面都更好。
2021-08-17 cs.LG stat.ML
ANSR-DT: A Neuro-Symbolic Framework for Adaptive and Explainable Digital Twins
Department of Information Systems, University of Maryland Baltimore County（信息系统系，马里兰大学巴尔的摩县分校）；Department of Computer Science and Engineering, University at Buffalo（计算机科学与工程系，布法罗大学）；Department of Computer Science, University of Colorado Boulder（计算机科学系，科罗拉多大学波德分校）
提出ANSR-DT框架，结合CNN-LSTM、Prolog推理和PPO强化学习，实现数字孪生的异常检测、符号推理与自适应决策，在多个基准上表现优异。
2026-07-28 cs.AI cs.HC cs.LG
DeepFMEA -- A Scalable Framework Harmonizing Process Expertise and Data-Driven PHM
Alpamayo Intelligent Quality Solutions（阿尔帕马约智能质量解决方案公司）
针对工业场景数据有限且质量不均导致ML驱动PHM开发受限的问题，提出DeepFMEA框架，借鉴FMEA结构化方法构建标准化数据模型，融合领域专业知识作为ML先验，提升PHM工具的可扩展性与可迁移性。
2024-05-13 cs.AI cs.LG
A Novel Multimodal RUL Framework for Remaining Useful Life Estimation with Layer-wise Explanations
University of Science and Technology China（中国科学技术大学）
本文提出一种结合图像和时频表示的多模态RUL估计框架，通过多头注意力和多模态LRP提升模型透明度，实验证明其在不同操作条件下均优于现有方法。
2025-12-07 cs.AI cs.LG
Diversity-driven Data Selection for Language Model Tuning through Sparse Autoencoder
Meta GenAI
针对指令微调数据数量饱和且现有方法忽略多样性的问题，本研究创新性地提出利用稀疏自编码器（SAEs）度量数据多样性，设计了一种可扩展的多样性感知数据选择策略，有效提升了模型能力、降低了训练成本并增强了模型行为的可解释性。
2025-03-31 cs.AI cs.CL cs.LG
