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。

《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。

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。

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。

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。

“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。

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。

心理学视野下的累积文化演化:理论发展与解释流派整合

累积文化演化是文化演化的一个重要子集,侧重关注文化的逐渐累积,指的是文化在传递和修改的过程中,在复杂性、效率性等方面发生了适应性的变化。虽然累积文化演化是一个跨学科概念,但却有着浓厚的心理学底色。心理因素尤其是认知因素在其概念框架和解释流派的发展过程中占据着重要地位,对认知的重视推动了累积文化演化的理论发展和解释流派的整合。未来研究可以从理论发展角度进一步明晰累积文化演化的衡量标准,从解释流派整合角度探明累积文化演化的过程与细节,以及从心理学角度更深入考察心理因素对累积文化演化的影响。

基于可解释性深度学习的太阳辐射强度预测

准确预测太阳辐射强度(SI)对电力调度和光伏选址至关重要。随着高性能计算机和大容量存储设备的发展,基于数据驱动的深度学习模型在SI预测领域获得广泛关注,然而,深度学习模型的“黑箱”特性在物理解释性上的缺失,限制了其在特定场合的应用可信度。为了在保持预测精度和模型结构不变、不增加计算复杂度的前提下,提升模型的可解释性,构建了一个基于长短时记忆(LSTM)神经网络的模型。其性能比传统神经网络提高了8.07%,并展示出更优的离群点处理能力。通过采用分层相关传播(LRP)算法,从时间和空间2个维度对影响模型输出的因素进行了评分,增强了模型的可解释性。研究结果表明:该模型在确保性能的前提下,具备良好的可解释性,其中历史辐射强度、时间相关特征(如时日周月)、太阳高度角信息(如日出和日落时刻)、云层覆盖度、辐射时长、温度和露点温度等因素是影响太阳辐射强度预测的主要因素。

利用知识图谱的多跳可解释问答

基于知识图谱的多跳问答需要分析和理解自然语言问题并在知识图谱的实体和关系上经过多次推理获取答案,是自然语言处理的重要研究领域.现有的模型一般通过知识图谱与问题嵌入,利用神经网络推断答案;或使用一阶逻辑规则结合概率方法预测答案;前者缺乏可解释性,后者在复杂问题中性能欠佳.为解决上述问题,本文提出一种基于知识图谱的多跳可解释问答方法(MIQA),它通过在实体间的多次跳跃推理来获取答案.MIQA首先使用BERT预训练模型获取自然语言问题表征向量以及问题分词后的词向量矩阵,在每一跳中,结合问题向量提取问题当前时刻的特征向量,根据特征向量的分类结果计算下一跳的关系分数和实体分数,多次跳跃后,综合分数最高的实体被作为答案,而获取该答案所对应的路径为推理路径.该方法推理准确率高,同时具有明显的可解释性.在MetaQA、WebQuestionsSP、ComplexWebQuestions这3个数据集上,通过和其他8个知名算法相比较,仿真结果表明MIQA性能优异,达到了当前的SOTA.

基于LightGBM与SHAP的空腔积水深度可解释性机器学习模型

传统的机器学习模型主要围绕如何提升模型预测精度进行研究,从而忽略了预测结果的可解释性.本研究基于LightGBM (Light Gradient Boosting Machine)建立了预测掺气设施空腔积水深度的黑箱模型,与常用的机器学习模型如RF (Random Forest)、SVM (Support Vector Machine)及XGBoost (Extreme Gradient Boosting)对比结果表明LightGBM拥有较高的预测精度.进一步通过贝叶斯优化技术对LightGBM的四个超参数进行优化,较大程度上提升了模型的R^(2)(决定系数)得分.应用SHAP (Shapley Additive Explanation)事后解释方法对LightGBM的预测结果进行全局解释和局部解释.全局解释结果表明:流速、水舌冲击角、坎高及流量是影响空腔积水形成的主要因素,特征交互解释可以用来解释特征之间的复杂非线性关系,局部解释则可以显示单个样本各特征的影响大小.研究建立的基于LightGBM-SHAP的空腔积水深度可解释性机器学习模型在掺气设施体型优化及模型试验方案优化方面有很好的应用前景.

融合可解释机器学习的成品汽油调和配方质量预测评价与致因分析

受成品汽油调和配方需“先验”评价与修正的驱动,本研究将轻量级梯度提升树(LightGBM)与可解释机器学习(SHAP)方法相结合,兼顾复杂模型精度高与后验SHAP可解释性强的各自优势,提出了一种调和配方质量预测评价及致因分析方法。该方法先引用改进遗传算法(IGA)优化LightGBM的超参数,建立了可同时预测成品汽油性能和环保指标的模型,并结合汽油国ⅥA标准与企业生产实际制定了配方质量评价标准,实现配方“先验”评价;再基于SHAP的全局和局部致因分析,对缺陷配方给出了易于操作的单变量定性修正建议。实验结果表明:相比于传统BP网络和随机森林(RF)、以及采用随机搜索和GA优化参数的LightGBM等模型,IGA_LightGBM模型可得到更全面和精准的预测指标,SHAP致因分析可给出契合实际的修正建议。该方法是智能算法代替人工的有益探索。

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。

论作为说理方式的法律解释

法律解释是给予和索取理由的规范实践。法律话语的意义是由其在法律实践中的推论角色决定的。因此,法律解释不应当仅仅被当作探求法律意义的启发式方法,更应当被看作为司法判决提供证成的说理方式。文义、历史、体系、客观目的、主观意图等要素,与其将它们看作解释方法,不如看作支持或反对解释决定之正确性的解释理由。法律条文往往有多个意义选项,解释者需要选出其中的正确选项,将其作为适用于当前案件的个案规范。法律解释实质上是围绕解释决定的正确性,而对不同解释理由进行衡量的理性论证过程。

基于知识图谱的可解释学习路径推荐

学习路径推荐是解决信息超载、学习迷航等问题的关键,但当前的学习路径推荐相关研究存在推荐方法脱离学习场景、推荐结果缺乏解释等问题。为此,文章构建了基于知识图谱的可解释学习路径推荐模型:首先利用邻域标定的图注意力网络表征知识图谱语义信息并生成候选学习路径集,然后计算不同学习场景下学习者与候选学习路径之间的契合度和匹配度,最终实现可解释的学习路径推荐。之后,文章通过对基于知识图谱的可解释学习路径推荐模型与学习路径推荐基线模型进行对照实验和可解释案例分析,发现基于知识图谱的可解释学习路径推荐模型不仅提高了推荐结果的准确度,而且提升了推荐结果的可解释性。文章的研究有助于学习者获得准确、可解释的学习路径,从而提升个性化学习效果。