.png){kind=icon}
.png){kind=icon}
返回
Shapley-based fault variable identification in MSPC
.png){kind=icon}
PRE
AI
DOI：10.1080/08982112.2026.2637643.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多变量统计过程控制中，Hotelling's T2控制图（HT控制图）是检测过程总体均值漂移的强大工具。然而，当过程失控时，HT控制图仅发出问题信号，而无法识别导致偏差的具体变量。为解决此局限性，传统方法将总体T2统计量分解为单个变量的T2统计量或高阶交互项。尽管具有信息价值，但随着变量数量增加，该方法在计算上变得复杂且效果降低。本研究提出了一种基于Shapley值的新方法，该方法广泛应用于机器学习中以量化预测中的变量重要性。在该方法中，我们将T2统计量视为每个变量子集的值函数，并采用Shapley抽样和KernelSHAP来估计高维数据中的Shapley值。更重要的是，我们开发了一种利用Shapley值识别导致失控信号的变量程序，表明Shapley值可作为解释值。我们通过数值比较了该基于Shapley的新方法与两种现有方法（Mason-Tracy-Young方法和自适应步进方法）的性能。最后，我们将这些方法应用于检测2000年后首尔月均温度的变化。
Keyword:
e-value
fault variable identification
Hotelling's chart
Shapley values