Bayesian-Based Causal Structure Inference With a Domain Knowledge Prior for Stable and Interpretable Soft Sensing
Notice bibliographique
Résumé
Due to the high-stakes nature of industrial processes, there is an immediate and pressing need on soft sensors for stability and interpretability. In this regard, causality-inspired modeling aims to learn causal features corresponding to the direct causes of quality variables, exhibiting great potential in terms of both stability and interpretability. However, most existing causality-inspired methods overlook temporal modeling and domain knowledge integration, which hinders their real-world application in industrial soft sensing. To this end, this article proposes a novel causality-inspired stable long short-term memory (Stable-LSTM), which leverages Bayesian-based causal structure inference and incorporates domain knowledge as a prior to enhance the performance stability and physical interpretability of soft sensors. After extracting temporal features via long short-term memory (LSTM), a Bayesian-based causal structure inference approach is developed by leveraging variational inference to learn the underlying hidden causal structure within the industrial processes. Through a hidden explanation of domain knowledge, a prior distribution is placed on the hidden causal structure, which will greatly enhance the physical interpretability and facilitate the exploration for true causality. Moreover, we also introduce a global sample reweighting strategy to remove spurious correlations and reveal causal effects between time series hidden features and quality variables. Finally, the performance stability and physical interpretability of the proposed Stable-LSTM are verified using a three-phase flow facility and a m-phenylenediamine distillation process. The results show that the Stable-LSTM achieves the highest soft sensing accuracy under distribution shift, and the inferred causal structure exhibits the greatest consistency with the domain knowledge, when compared with the seven existing methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».