人工知能における解釈可能な説明手法は、システムが異なる入力に対して特定の振る舞いをする理由を理解するために、原因とその影響を明らかにすることを目的としている。従来の説明可能性手法が主に入出力変数間の相関を強調するのに対し、因果説明は介入的な問いに焦点を当てる。これにより、特に高リスク領域において、より堅牢な洞察を提供し、自動化された意思決定の理解を助ける。しかし、フィードバックループや部分的可観測性を伴う大規模なハイブリッドサイバーフィジカルシステムでは、明示的な有向因果構造を復元することはしばしば非現実的である。
この問題に対処するため、Spyridon Evangelatosら5人の著者による研究チームは、2026年7月に提出された論文で、統計力学に触発された新しいフレームワークを提案した。このフレームワークは、サイバーフィジカルIoTシステムの無向のエネルギーに基づく表現を通じて変数依存関係をモデル化する。有向因果グラフを復元することなく、エネルギーランドスケープの変動が個々のコンポーネントの影響をどのように反映するかを分析することで、厳密な依存関係を考慮した属性を可能にする。また、ハイブリッドな相互作用における摂動効果の推論をサポートし、異常行動の信頼性の高い説明を提供する。
研究チームは、ハイブリッドな連続変数と離散変数を持つ産業用IoTテストベッドでのシミュレーションを通じて、このフレームワークを実証的に検証した。その結果、最先端のグラフベース手法と比較して、属性精度が約15%向上し、ノイズに対するロバスト性が改善され、より大規模なシステムに拡張可能であることが示された。属性はシステムの生成ダイナミクスを完全に復元することを意図していないが、人間の解釈と下流の予測・診断タスクの両方を支援する、価値ある依存関係を考慮した説明を提供する。産業用IoTセキュリティで実証されたが、このフレームワークはスマートグリッド、自動運転、ソーシャルネットワーク分析など、原理的な構造説明を必要とする他の高次元サイバーフィジカルシステムや社会技術システムにも適用可能である。この研究は、特に複雑な動的環境において、因果解釈可能性への新たな道を開くものである。