一种基于分层抽样的快速Shapley值估计方法技术

本发明专利技术涉及一种基于分层抽样的快速Shapley值估计方法，属于故障诊断技术领域。该方法首先定义了改进的评价指标，通过目标神经元与参考神经元输出之间的距离来衡量特征的贡献度，更符合SoftMax的非线性属性。其次，利用成员间的交互关系衡量潜在关系，并通过分层抽样和非参数检验方法来估计每个特征的Shapley值，有效降低了计算复杂度。最后，本发明专利技术提出了一种解释结果准确性定量评估方法，通过激活和失活特征来评估解释结果的准确性，为解释方法的评估提供了量化指标。实验结果表明，本发明专利技术方法相对于传统SHAP更适用于高维样本的解释且具有更好的解释结果，并填补了故障诊断领域中解释结果准确性定量评估方法的空白。

【技术实现步骤摘要】

本专利技术属于故障诊断，涉及一种基于分层抽样的快速shapley值估计方法。

技术介绍

1、与基于信号处理的机械健康监测方法相比，深度神经网络(dnn)具有精度更高、适应性更强、对专家知识要求更低的特点。因此，深度神经网络在机械健康监测中得到了广泛应用。然而，深度神经网络的不可解释性限制了其在工程领域中的应用。

2、提出可解释人工智能(xai)来揭示深度神经网络的决策过程，以提高深度学习的可信性。xai调查可以简单地分为两个领域。一种方法是改变dnn结构。例如，卷积操作可以用多级字典学习或小波核代替，有助于理解dnn学习到的中间特征。植入约束模块也可以产生相同的解释结果。若该模块是基于物理知识设计的，它将迫使dnn学习所需的物理特性。若该模块是通过参考注意力机制设计的，则该模块可以告诉模型关注什么。然而，除了注意力模块，所有方法都可能会抑制dnn的泛化能力，并且只返回局部解释。

3、另一方面，注意力模块对积极的贡献成分表现良好，但忽略了消极的贡献成分。另一种选择是构建一种解释方法。由于模型无关性，基于工具的方法比基于结构的解释方法更本文档来自技高网...

【技术保护点】

1.一种基于分层抽样的快速Shapley值估计方法，其特征在于：该方法包括以下步骤：

【技术特征摘要】

1.一种基于分层抽样的快速shapley值...

【专利技术属性】
技术研发人员：秦毅，何彪，毛永芳，蒲华燕，
申请(专利权)人：重庆大学，
类型：发明
国别省市：