可解释人工智能在电力系统中的应用综述与展望

可解释人工智能(XAI)作为新型人工智能(AI)技术,具有呈现AI过程逻辑、揭示AI黑箱知识、提高AI结果可信程度的能力。XAI与电力系统的深度耦合将加速AI技术在电力系统的落地应用,在人机交互的过程中为电力系统的安全、稳定提供助力。文中梳理了电力系统XAI的历史脉络、发展需求及热点技术,总结了XAI在源荷预测、运行控制、故障诊断、电力市场等方面的电力应用,并围绕解释含义、迭代框架、数模融合等方面展望了电力系统XAI的应用前景,可为推动电力系统智能化转型与人机交互迭代提供理论参考与实践思路。

一种可解释的云平台任务终止状态预测方法

基于特征选择和模型可解释方法构建可解释性强的云平台任务终止状态预测模型,该模型可视化任务/作业的静态和动态属性与终止状态之间的映射关系,进而找出负载特征与任务终止状态之间的映射机理.利用Google公开的工作负载监控日志,并加入云平台中任务的动态信息,采用沙普利加和解释(Shapley additive explain,SHAP)找出静态和动态属性对终止状态影响的重要性,利用变量重要性结合SHAP值和XGBoost模型,对任务终止状态预测模型建模后的结果进行解释,使用可视化技术呈现负载特征如何影响模型对不同任务终止状态的预测.用SHAP值绝对值的平均值衡量特征的重要性,实现任务不同终止状态特征重要性的全局可视化,根据结果筛选出对任务终止状态预测模型影响大的20个变量,作为特征筛选的依据;由可视化的结果可知,任务运行过程中,各特征的不同特征值对任务的终止状态有影响,不同特征值对终止状态的产生有不同的影响.特征选择结合模型可解释性方法运用于任务终止状态预测模型的构建流程中,可辅助构建高分类性能及易于理解的任务终止状态预测模型,通过对负载特征与任务终止状态之间映射机理的探索,可以优化云平台的调度机制.

算法解释制度的体系化构建

算法解释在算法治理中举足轻重。算法解释承载着权益保障、社会交往和风险治理三重意义,其在技术层面上的障碍正在逐渐被突破,可以通过多种技术机制实现。在算法治理活动中,应根据常规场景、关键场景和争议场景分别限定选择解释的路径选择和技术方案,通过冻结机制、抽样机制和镜像机制固定算法解释,并使之接受外部的验证与审查,确保算法解释真实、有效。算法解释的系列机制应被进一步构建为体系化的算法解释制度,在这一制度框架内,对解释路径与精度、解释时限、解释瑕疵责任等要素的合理配置,可以实现社会效益与规制负担的精细平衡。

强化学习的可解释方法分类研究

强化学习能够在动态复杂环境中实现自主学习,这使其在法律、医学、金融等领域有着广泛应用。但强化学习仍面临着全局状态空间不可观测、对奖励函数强依赖和因果关系不确定等诸多问题,导致其可解释性弱,严重影响其在相关领域的推广,会遭遇诸如难以判断决策是否违反社会法律道德的要求,是否准确及值得信任等的限制。为了进一步了解强化学习可解释性研究现状,从可解释模型、可解释策略、环境交互、可视化等方面展开讨论。基于此,对强化学习可解释性研究现状进行系统论述,对其可解释方法进行归类阐述,最后提出强化学习可解释性的未来发展方向。

企业数字化转型中信息安全治理影响因素研究——基于解释结构模型的分析

识别企业数字化转型中信息安全治理的影响因素以及影响因素间的层次结构关系,有助于企业管控数字化运营的信息安全风险。通过文献分析、案例总结和专家咨询等方式识别企业信息安全治理的影响因素,在此基础上运用解释结构模型(ISM)对企业信息安全治理的影响因素进行层次结构和运行机理分析。结果表明:企业信息安全治理以风险处置、职责明确、行为塑造、知识共享和反馈改进的治理模式为直接依赖,以合规治理、流程治理、责任治理、契约治理和关系治理的治理机制为中间保障,以CEO决策力、CIO有效性、CFO支持度、TMT凝聚力和问责制的治理结构为高层支持。

《民法典》居住权的三层构造之解释论

《民法典》居住权呈现出结构化、层次性和价值多元的特质,但其制度设计未适当提取公因式,有待透过宽松的解释立场,完善和充实其三层法律构造的具体细节。《民法典》第366-370条形成第一层构造中的合同居住权,对其主体、客体、权能、消灭事由应该采取文义解释、目的性扩张、目的解释及体系解释等不同解释方法,在恪守物权法定原则之外有效保护契约自由。《民法典》第371条形成第二层构造中的遗嘱居住权,其在设立方式与形式、继承与转让、登记效力等方面,参照适用合同居住权规则的空间非常有限,法律适用机制具有较强的独立性。《民法典》第243条第3款、第1090条等形成第三层构造中的法定居住权和裁判居住权,于其类型化的基础上,需要朝具体化的方向填补漏洞。从而,促进居住权在我国的规范体系化和内容本土化之成长。

水工结构变形预测模型构建与解释

现有基于机器学习算法的水工结构安全监控模型结果的可解释性较差。为提高安全监控模型的可解释性,发展一种基于集成学习算法的水工结构变形预测模型构建与解释方法。简述改进统计模型及随机森林(RF)、极端梯度提升树(XGBoost)两种常用的集成学习算法,引入沙普利值可加性解释(SHAP)方法实现集成学习算法模型结果的可解释性,阐述SHAP方法的原理和推导过程。以某运行初期特高拱坝变形数据为例验证方法的有效性和实用性。结果表明,XGBoost模型具有较高的预测精度,预测集决定系数大于0.982,改进统计模型精度次之,RF模型精度相对较低;SHAP方法可以分离不同自变量对效应量的影响大小,并能给出全局和局部的影响机制,实现模型拟合和预测结果的可解释性。提出的方法综合了“机理驱动”和“数据驱动”模型的优势,可为水工结构运行管理提供决策参考。

矿物组分识别与智能解释在不同岩性之间的信息共享与迁移学习

在地球科学领域,岩石微观观测数据的采集过程繁琐且效率低下,这不仅增加了研究成本,降低了可靠性,同时也限制了数据的开源共享。此外,由于岩性的多样性和观测手段的差异,单一数据集的规模通常较小,这对于依赖大规模数据集的深度学习框架而言是一大挑战。为此,本研究探索迁移学习如何促进不同岩性间的信息共享,并通过此机制提高矿物组分识别与智能解释任务的模型性能。通过采集不同区域、岩性、矿物组分和偏光模式下的铸体薄片样本,本文深入研究了深度学习模型在不同观测对象和手段下的迁移学习机制,并聚焦于探索地质信息的深层表征。研究成果不但揭示了迁移学习在促进地质学领域信息共享与模型性能提升中的关键作用,还为自动化和智能化地质认识融合奠定了基础。实验结果显示,通过迁移学习,本文模型在智能解释任务中的准确率显著提高,从53.3%提高至98.73%,而在矿物组分识别任务中,准确率也实现了近10%的提升。这些成果证明了迁移学习在地质学领域内解决实际问题和提高模型泛化能力、性能和稳定性方面的巨大潜力。

“隔屏猥亵”未成年人行为刑法适用的体系解释

指导性案例与司法解释将实践中“隔屏猥亵”未成年人行为的猥亵犯罪定性予以证成,对网络时代未成年人性自主权的保护起到了重要作用。与此同时,也因网络空间个罪关联的尚未厘清和网络性侵害事实情节分类讨论的不足而导致法律适用的机械性。基于刑法总则分则体系、刑法与前置法体系、国家与社会治理体系的有机统一性以及个案裁判实质合理的并合主义刑法立场,对于“隔屏猥亵”未成年人行为的刑法适用,应通过对犯罪目的和犯罪情节的全面综合考察,得出体系化的法律适用结论。

结果导向的法律解释及其控制

以价值评价的正当化为核心任务的法教义学,在法律解释问题上已经走出了客观主义的理论陷阱。在结果导向的立场下,法律解释的过程不再是探究真实立法意图或客观文本含义的过程,而是根据法律功能来寻求妥当解释方案的过程。基于弱后果主义的理论立场,后果考量限定于法意模糊、规范冲突等实践场景中,并受到目的论思维的严格约束。为了防范后果考量可能带来的越法裁判风险,应立足司法克制主义的立场,明确结果导向法律解释的操作规则。

论仲裁协议对代位权行使的影响——兼评《合同编通则解释》第36条

由于代位权的行使涉及债权人、债务人和债务人的相对人三方主体,因此在两方主体间存在仲裁协议时,该协议是否应当约束第三方,在实践中经常发生争议,为统一裁判规则,《合同编通则解释》第36条就仲裁协议对代位权的影响作出了规定,该条并没有承认代位仲裁协议当然对债权人产生拘束力,从而维护了仲裁中合同相对性规则的适用,该条也明确了即使存在仲裁协议,债权人也可以通过诉讼程序行使代位权,但债权人行使代位权时要受仲裁协议的影响。依据这些规定,债务人的相对人在一审辩论终结前已申请仲裁的,应中止代位权诉讼。这些规定有效衔接了代位权与仲裁协议的关系,体现了对当事人私法自治的尊重,而且也解决了司法实践中长期以来存在的争议。

基于因果图分析的可解释司法判决预测方法研究

随着人工智能技术的发展和海量司法数据的公开,面向“智慧司法”服务的司法判决预测(legal judgment prediction,LJP)任务受到了学术界和工业界的广泛关注,该任务旨在根据有限的案件事实描述文本来预测案件的罪名、法条和刑期。然而,现有工作缺乏对易混淆司法案件的智能决策的研究,且相关模型通常缺乏可解释性,这会导致模型预测严重依赖领域专家,阻碍LJP在不同法律体系中的应用。为此,提出了一种基于因果图分析的司法判决预测(prediction of legal judgment based on causal graph analysis,CGLJ)方法,首先从非结构化的法律事实描述文本中挖掘要素之间的因果关系,然后采用易混淆罪名聚类的构图方法构建因果图,既考虑了相似事实描述之间的差异,又增强了事实描述和法律法规之间的相互作用,最后将构建好的因果图融入深度神经网络进行联合推理,得到判决预测结果。此外,还对模型预测过程中的因果图推理过程进行了可视化,为判决结果提供了更好的可解释性。在2018中国“法研杯”司法人工智能挑战赛(CAIL2018)司法判决预测数据集上的实验结果表明,该方法相比基线模型取得了更好的效果。

论债权多重转让中的责任承担——以《合同编通则司法解释》第50条为中心

依据《合同编通则司法解释》第50条,债务人在明知受让人最先通知的情况下,只能向该受让人履行才能免责,这就在客观上确立了通知优先规则;让与人违反对受让人承担的瑕疵担保义务,应该承担违约责任.最先通知的受让人可以同时请求债务人继续履行债务和请求让与人依据债权转让协议承担违约责任.债务人完成继续履行或者让与人承担违约责任后,可以向对方追偿;该通知优先规则并非完全作为的受让人权利顺位规则,最先通知的受让人请求接受履行的受让人承担返还责任,需要证明接受履行的受让人明知存在在先通知的受让人.最先通知的受让人可以向恶意的在后通知的受让人主张不当得利返还请求权或者侵权损害赔偿请求权;第50条第1款第2句第2分句但书不应适用于应收账款债权多重转让的情形.

证券法信息披露规则的体系解释

证券法“一体两面”的信息披露规则体系,以重大信息披露规则为体,以虚假陈述和内幕信息为两个违法面相,三者的信息范围及重大性标准具有一致性。2020年新修订的《证券法》颁行,新增自愿信息披露规则,形成强制披露为主、自愿披露为辅的信披制度安排。与强制披露的信息重大性具有确定性不同的是,自愿披露的信息重大性具有不确定性、延伸性和附着性,该类信息未公开时不属于内幕信息,但一经公开,则应与强制披露遵从相同的行为规范。重大性标准是信息披露规则体系的基础,非重大信息不必披露,二元重大性标准具有内在一致性,比较而言,依法披露信息的立法应采用源于证券立法哲学的投资者决策标准,该标准适用过程中的主观性可通过列举价值判断型事项进行规则补强。

股东抽逃出资公司法禁令的检视--兼论《公司法司法解释三》

新《公司法》第五十三条和第一百零五条是反映资本维持原则的核心条款,延续了原《公司法》关于公司股东“不得抽逃出资”或“不得抽回其股本”的禁止性规定,充实了股东和董监高的民事责任。但股东抽逃出资禁令无法反映“公司向股东返还财产”的实质,在术语上应予调整,在解释上应与“公司不得返还股东”保持一致。抽逃出资禁令反映了资本管制思想,与股东不履行出资义务、公司收购或回购股权、股东与公司之间关联交易、股东权利限制和失权、返还出资、赔偿责任等相互关联,已经成为一个内涵丰富、外延巨大的超级条款。在适用该禁令时,应当根据不同的给付方式,施加必要程序和数额限制,强化董监高的职责,合理关注股东的资产收益权。

民事司法解释的历史性进步——最高人民法院《合同编通则司法解释》亮点评述

《合同编通则司法解释》是民事司法解释历史性进步的重要标志。《合同编通则司法解释》坚守民事司法解释的法律定位,较为准确地把握了《民法典》立法原意,压缩了《民法典》有关条款或多或少的争议或歧义空间,其中,合同解释规则堪称典范。《合同编通则司法解释》充实民事司法解释的基本功能,以更为具体、明确、肯定的行为规则强化《民法典》有关条款的确定性,其中,清晰合同行为的识别标准、填充合同行为的场景因素尤为出色。《合同编通则司法解释》运用40余年的民事司法解释积累的经验,自觉避免以往时有的路径选择不当的情形,形成固定词句含义与范围、指引合同行为与裁判、强化裁判程序与功能的鲜明特色。《合同编通则司法解释》的历史性价值与意义应当得以彰显和认同,以便未来的民事司法解释自觉前行。

双封隔取样压力数据深入解释方法研究

双封隔器是一种地层测试测压取样工具,取样过程通常需要泵抽几小时甚至十几小时,取得地层流体样品,获得压力和流量数据,但无法真实反映地层渗透率的探测范围。利用油藏模拟软件模拟双封隔器泵抽取样过程,引入Schroeter算法和Levitan算法这两种压力/流量数据反褶积算法,反演渗透率参数波及半径从几厘米到上百米,并使用数值模拟案例验证了只利用取样完成后的压力恢复数据进行反褶积方法的准确性和合理性。该研究应用于双封隔现场测井数据,采用反褶积方法得到渗透率探测半径31m,反褶积处理后的数据可用于产能预测,对正确认识油气藏具有重要意义。

可解释机器学习在油气领域人工智能中的研究进展与应用展望

人工智能作为战略性新兴产业及新质生产力正迅速地渗透入油气领域,并有望成为行业发展的新引擎和制高点。“黑盒”的机器学习模型缺乏透明度和可解释性,导致现有机器学习方法在油气领域的认可度和信任度不高,制约了以机器学习为核心的人工智能在油气田中的融合和发展。为此,系统介绍了可解释机器学习方法在油气田勘探开发过程的研究现状,阐述了机器学习模型的可解释性是促进油气领域人工智能大规模应用的关键,以及事后可解释方法在油气机器学习方法上的局限性,并对技术的应用进行了展望。研究结果表明:(1)利用Shapley加性解释(SHAP)和模型无关局部解释(LIME)等事后可解释方法进行煤层气产能主控因素实例验证,指出了可解释的油气田特征指标还不足以完全指导可解释模型的构建和分析,需要基于本质可解释思路建立符合油气田勘探开发自身特点的本质可解释机器学习方法;(2)利用机理模型、因果推断和反事实解释等本质可解释方法,分析油气田数据和模型参数之间的因果关系,构建了本质可解释机器学习方法;(3)选取典型煤层气压裂数据进行产能预测实例验证,发现因果推断能有效挖掘地质参数、施工参数和产能之间的本质关系,且基于因果关系建立的机器学习模型可以实现预测泛化性能提升。结论认为,基于事后可解释和本质可解释机器学习方法不仅是未来油气领域人工智能发展的必然趋势,而且是解决人工智能在油气领域现场落地的“瓶颈”问题及关键技术。

基于可解释机器学习的黄河源区径流分期组合预报

黄河源区是黄河流域重要的产流区和我国重要的清洁能源基地,提高黄河源区径流预报准确率可为流域水资源科学调配和水风光清洁能源高效利用提供重要支撑。以黄河源区唐乃亥和玛曲水文站为研究对象,基于不同月份径流组分的差异,考虑积雪覆盖率及融雪水当量变化,构建了中长期径流分期组合机器学习预报模型及其可解释性分析框架。研究结果表明:1)年内的径流预报时段可划分为融雪影响期(3—6月)和非融雪主导(以降雨和地下水补给为主)期(7月—次年2月);2)与传统不分期模型相比,唐乃亥站和玛曲站分期组合预报模型的纳什效率系数分别达0.897、0.835,确定系数(R2)分别达0.897、0.839,均方根误差分别降低了10%、17%,提高了径流预报准确率,通过分位数映射校正,唐乃亥站和玛曲站预报模型的R2分别进一步提升至0.926和0.850;3)基于SHAP机器学习可解释性分析框架,辨识了预报因子对径流预报结果的贡献程度,由高到低依次为降水、前一个月流量、蒸发、气温、相对湿度、融雪水当量等,发现了不同预报因子之间交互作用散点分布具有拖尾式或阶跃式的特征。

特高拱坝变形机理可解释性智能预测模型

针对传统“黑箱”模型可以预测却无法解释拱坝变形的缺陷,利用Shapley Additive Explanation(SHAP)理论对特高拱坝的机器学习变形预测模型进行解构分析,分析水压、温度、时效对特高拱坝不同部位径向水平位移的影响规律。构建特高拱坝变形监测数据的轻量梯度提升算法(Light Gradient Boosting Machine,LightGBM)黑箱预测模型,利用SHAP对存在多重共线性的因子进行剔除,再从整个因子集和单个样本两个角度分析不同影响因子对模型变形预测的贡献度;通过分析拉西瓦特高拱坝坝肩、坝基、拱冠等不同部位的径向水平位移与影响因子间的关系,发现时效因子对高程越高、越靠近拱冠位置的径向水平位移影响越大,温度因子主要影响靠近拱冠位置的径向水平位移,水压因子主要影响高程较高位置的径向水平位移,而坝基和深入坝肩岩体测点的径向水平位移几乎不受水位、温度的影响。解决了以往“黑箱”变形预测模型可视性差、内部机理不明的问题,根据可解释模型得到的相关规律可为特高拱坝的工作性态分析和运行管理提供借鉴。