כתבה
arXiv cs.LG ·
SeaCausal-FL: חבילת למידת סיבתית פדרטיבית לאבחון תקלות במערכות IoT של הים והסבר נגדי
SeaCausal-FL: Federated Fuzzy Causal Learning for Maritime IoT Fault Diagnosis and Counterfactual Reasoning
חבילת למידת סיבתית פדרטיבית לאבחון תקלות במערכות IoT של הים והסבר נגדי. החבילה משתמשת בלמידה רב-מכריעה ובלמידה רב-מכריעה פדרטיבית כדי לאבחן תקלות במערכות IoT של הים. החבילה גם מסוגלת לספק הסבר נגדי על תקלות שהתרחשו.
תקציר מקורי באנגליתarXiv:2609.06257v1 Announce Type: new Abstract: Reliable marine-engine fault diagnosis in maritime IoT is challenged by distributed data ownership, heterogeneous fault distributions, and continuously changing operating conditions. This paper proposes SeaCausal-FL, a federated fuzzy causal learning framework that combines a shared temporal diagnostic path with mechanism-conditioned causal reasoning. An interval type-2 fuzzy layer represents uncertain and overlapping operating mechanisms, while each mechanism is associated with a physics-constrained structural causal model. Before aggregation, locally learned mechanisms are aligned using operating context, causal structure, and conditional intervention-response signatures. Model parameters are then aggregated according to sample, class, mech
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית