사이버-물리 IoT 시스템의 이상 행동을 설명하기 위해 통계역학에서 영감을 받은 에너지 기반 귀속(attribution) 프레임워크가 제안됐다. 피드백 루프와 부분 관측이 있는 대규모 하이브리드 시스템에서는 명시적 방향성 인과 그래프 복원이 비현실적이라는 문제의식에서, 변수 의존성을 무방향 에너지 기반 표현으로 모델링한다. 에너지 지형의 변화가 개별 구성요소의 영향을 어떻게 반영하는지 분석해, 방향성 인과 그래프 없이도 의존성 인식 귀속과 섭동 효과 추론이 가능하다. 연속·이산 변수가 섞인 산업 IoT 테스트베드 시뮬레이션에서 최신 그래프 기반 기법보다 높은 귀속 정확도, 강건성, 확장성을 보였다. 산업 IoT 보안뿐 아니라 구조적 설명이 필요한 고차원 사회기술 시스템 전반에 적용 가능하다.
- •방향성 인과 그래프 복원 없이 무방향 에너지 기반 표현으로 의존성을 모델링
- •에너지 지형 변화 분석으로 개별 구성요소의 영향을 엄밀하게 귀속
- •하이브리드 상호작용에서의 섭동 효과 추론으로 이상 행동 설명 지원
- •산업 IoT 테스트베드에서 최신 그래프 기법 대비 정확도·강건성·확장성 우위 입증
- •산업 보안 외 고차원 사이버-물리·사회기술 시스템으로 일반화 가능
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
From Graphs to Gradients: Physics-Inspired Structural Attribution for Cyber-Physical IoT Systems and Beyond
- 1.통계역학 영감의 에너지 기반 무방향 표현으로 사이버물리 IoT 시스템을 설명하는 프레임워크 제안
- 2.피드백 루프·부분 관측성 환경에서 방향성 인과 그래프 복원 없이 의존성 기반 기여 분석
- 3.산업 IoT 테스트베드 시뮬레이션에서 기존 그래프 기반 기법 대비 정확도·강건성·확장성 우위
- 4.이상 행동 설명으로 진단·예측 다운스트림 과제 지원
왜 중요한가?
대규모 하이브리드 시스템에서 명시적 인과 그래프 복원이 비현실적이라는 한계를 우회하는 실용적 대안으로, IoT 보안 등 고위험 도메인의 이상 탐지 설명가능성을 높이는 접근이다.
본문 미리보기
arXiv:2607.05563v1 Announce Type: new Abstract: Interpretable explanation methods in Artificial Intelligence aim to uncover the underlying causes and their effects, enabling a deeper understanding of why a system behaves in a certain way under different inputs. Unlike traditional explainability methods, which mainly highlight correlations between input and output variables, causal explanation focuses on interventional questions. By doing so, it provides more robust insights, helping users under
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
