分层抽样Shapley估计

快速解释故障诊断网络

该估计器通过分层抽样与Mann-Whitney检验，在降低计算复杂度的同时保持对SoftMax非线性的解释精度。

Biao, He · 毛永芳 · 秦毅

IEEE Internet of Things Journal 2024

技术优势

计算不再指数爆炸

通过筛选重要联盟成员，使Shapley值的计算复杂度显著降低。

归因更准

新贡献指标利用两个特定神经元输出的距离，捕捉SoftMax非线性的影响。

估计精度有保障

用Mann-Whitney检验判断样本与总体的差异，对未通过检验的样本进行扩充，提高估计精度。

应用场景

• 旋转机械故障诊断：在轴承故障诊断模型中快速定位关键特征，辅助归因。
• 工业设备智能运维：为工业设备的智能维护提供可解释的模型决策依据。
• 物联网数据分析：在物联网数据分析中加速Shapley解释，降低计算开销。
• AI模型可解释性：直接服务于AI模型可解释性，提供考虑非线性与效率的归因方案。