Frameworks for interpretability of deep learning-based prognostics and health management (2022)
- Authors:
- Autor USP: BARRAZA, JOAQUÍN EDUARDO FIGUEROA - EP
- Unidade: EP
- Sigla do Departamento: PNV
- Subjects: REDES NEURAIS; SAÚDE
- Agências de fomento:
- Language: Inglês
- Abstract: Nos últimos cinco anos, o uso de algoritmos de aprendizagem profunda para prognóstico e gestão de saúde (PHM) levou a um aumento de desempenho em diagnóstico de falhas, prognóstico e detecção de anomalias. No entanto, a falta de explicação e interpretabilidade desses modelos resulta em uma baixa credibilidade e uma resistência para sua implementação em aplicações da indústria. Isso significa que, embora os modelos baseados em aprendizagem profunda possam alcançar um ótimo desempenho, a compreensão e explicação de como um modelo de PHM baseado em aprendizagem profunda obtém seus resultados ainda é uma área aberta de pesquisa. Nesta tese, são propostos três frameworks de interpretabilidade de modelos de aprendizagem profunda no contexto de prognóstico e gestão em saúde. O primeiro é composto por uma técnica de seleção de variáveis e uma metodologia para avaliação quantitativa do desempenho da técnica e comparação com outras técnicas. A técnica proposta consiste em uma camada oculta próxima à camada de entrada cujos pesos determinam a importância de cada recurso dentro do modelo. Esses pesos são treinados em conjunto com o restante da rede. A camada é chamada de feature selection layer (FS). Além disso, a metodologia de avaliação propõe o uso de uma nova métrica denominada ranking quality score (RQS). Para o segundo framework, uma rede neural multitarefa, denominada Sparse Counterfactual Generation Neural Network (SCF-Net), é proposta para diagnóstico de falhas e geração de counterfactuals simultaneamente. Assim, a rede tem a capacidade de diagnosticar estados de saúde e entregar informações referentes às mudanças mínimas nos valores de entrada que levam a uma mudança no estado de saúde previsto pelo modelo. No terceiro framework, as duas abordagensanteriores são combinadas em uma arquitetura de rede chamada de Feature Selection e Sparse Counterfactual Generation network (FS-SCF). Além disso, é proposta uma metodologia para cálculo de valores baseados em causalidade para cada variável, tais como necessidade, suficiência, (necessidade ou suficiência) e (necessidade e suficiência). Isto é usado para analisar melhor o modelo e interpretar os resultados obtidos da camada FS. Para esses três frameworks, vários estudos de caso são usados para teste e comparados com outras técnicas existentes. Os resultados nos três frameworks mostram um aumento bem-sucedido na interpretabilidade, mantendo o desempenho da tarefa no mesmo nível. Assim, o tradeoff entre a precisão e a interpretabilidade é abordado com sucesso nesta tese. As futuras linhas de pesquisa incluem testes em outros tipos de redes neurais, como redes neurais convolucionais, redes neurais recorrentes e redes transformers. No caso de abordagens baseadas em counterfactuals, trabalhos futuros incluem sua adaptação para tarefas de regressão, pelo fato de, por ora, estarem limitadas à classificação. Isso poderia aumentar os tipos de aplicativos em PHM, como por exemplo, para previsão de vida útil restante (RUL).
- Imprenta:
- Data da defesa: 13.12.2022
-
ABNT
FIGUEROA BARRAZA, Joaquín Eduardo. Frameworks for interpretability of deep learning-based prognostics and health management. 2022. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3135/tde-22052023-151410/. Acesso em: 28 set. 2024. -
APA
Figueroa Barraza, J. E. (2022). Frameworks for interpretability of deep learning-based prognostics and health management (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3135/tde-22052023-151410/ -
NLM
Figueroa Barraza JE. Frameworks for interpretability of deep learning-based prognostics and health management [Internet]. 2022 ;[citado 2024 set. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3135/tde-22052023-151410/ -
Vancouver
Figueroa Barraza JE. Frameworks for interpretability of deep learning-based prognostics and health management [Internet]. 2022 ;[citado 2024 set. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3135/tde-22052023-151410/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
