Il framework HCA migliora l'interpretabilità nel controllo predittivo non lineare
Un nuovo framework chiamato Hierarchical Causal Abduction (HCA) mira a rendere il controllo predittivo non lineare (MPC) più interpretabile per gli operatori umani. L'MPC è ampiamente utilizzato in infrastrutture critiche per la sicurezza, ma la sua opacità mina la fiducia. HCA combina il ragionamento basato sulla fisica tramite grafi di conoscenza del dominio, le prove di ottimizzazione dai moltiplicatori di Karush–Kuhn–Tucker e la scoperta causale temporale tramite l'algoritmo PCMCI. Testato su clima di serre, HVAC di edifici e ingegneria dei processi chimici, HCA ha raggiunto una precisione di spiegazione superiore del 53% rispetto a LIME (0,478 contro 0,311) utilizzando un singolo set di parametri cross-dominio.
Fatti principali
- HCA combina grafi di conoscenza del dominio, moltiplicatori KKT e algoritmo PCMCI.
- Testato su clima di serre, HVAC di edifici e ingegneria dei processi chimici.
- HCA migliora la precisione delle spiegazioni del 53% rispetto a LIME (0,478 contro 0,311).
- Utilizza un singolo set di parametri cross-dominio.
- Affronta l'opacità nell'MPC non lineare per infrastrutture critiche per la sicurezza.
- Pubblicato su arXiv come 2605.10624v1.
- Coinvolge la validazione di esperti.
- Mira a generare spiegazioni fedeli e interpretabili dall'uomo.
Entità
Istituzioni
- arXiv