A Hybrid Framework for Explainable Aviation Risk: Causal Chain Extraction from Safety Reports with Physics-Based Failure Quantification and Interventional Analysis

📄 arXiv: 2610.35658v1 📥 PDF

作者: Yutian Pang, Yifang Tian, Jiacheng Xie, Xinyu Zhao, Jueming Hu, John-Paul Clarke, Hans-Arno Jacobsen

分类: cs.LG

发布日期: 2026-10-26

💡 一句话要点

提出混合框架以实现航空风险的可解释性分析

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 航空安全 风险分析 因果推断 物理建模 事故报告 可解释性AI 混合框架

📋 核心要点

  1. 现有方法主要将事故报告分类，缺乏对事故因果关系的深入分析和量化，导致对航空安全的理解不足。
  2. 本文提出的混合框架结合文本分析与物理模型，能够识别故障模式的主要因素并量化其发生概率，提升了事故分析的准确性。
  3. 在实验中，因果链成功恢复了90.8%的调查人员标记的原因，并且在特定情况下，物理模型的引入提升了模型的解释性。

📝 摘要（中文）

航空当局持有数十年的事故报告，这些报告记录了调查人员如何重建每起事故。现有的计算方法主要将报告分类为固定的分类法。本文提出了一种混合框架，通过文本语料库识别故障模式的主要因素，并利用基于物理的模型量化在特定操作点上故障发生的可能性。通过从56,202份美国事故报告中提取有序因果链，构建了因果知识图谱。在2000份评估样本中，因果链成功恢复了90.8%的调查人员标记的原因。每个物理因素的驱动因素都建立了与事故人群校准的发生模型。

🔬 方法详解

问题定义：本文旨在解决现有航空事故报告分析方法的不足，特别是对事故因果关系的深入理解和量化分析的缺乏。现有方法往往仅将报告分类，无法有效识别和量化故障模式的主要因素。

核心思路：论文提出了一种混合框架，结合文本分析和物理模型，通过文本语料库识别故障模式的主要因素，并量化其发生概率，以支持更有效的干预措施。

技术框架：整体架构包括文本分析模块、因果链提取模块和物理模型模块。文本分析模块从事故报告中提取主要因素，因果链提取模块构建因果知识图谱，物理模型模块则量化故障发生的概率。

关键创新：最重要的技术创新在于将文本分析与物理模型结合，形成一个综合的因果链分析框架。这一方法与现有的固定分类法本质上不同，能够提供更深入的因果理解和量化分析。

关键设计：在模型设计中，采用了局部大语言模型进行因果链提取，并使用了漏斗噪声-OR模型来结合多个因素，形成故障模式的概率。此外，针对特定故障（如发动机功率损失），设计了基于物理的模型来区分不同类型的事故。

📊 实验亮点

实验结果显示，因果链成功恢复了90.8%的调查人员标记的原因，且在发动机功率损失的案例中，基于物理的模型在ROC曲线下面积上达到了0.61，显示出显著的性能提升。该模型的解释性也为事故分析提供了新的视角。

🎯 应用场景

该研究的潜在应用领域包括航空安全分析、事故预防和风险管理。通过提供可解释的因果分析，航空当局和相关机构可以更有效地识别和应对潜在风险，从而提高航空安全水平。未来，该框架还可以扩展到其他领域的风险分析与管理。

📄 摘要（原文）

Aviation authorities hold decades of accident reports whose narratives record how investigators reconstructed each accident. Computational work on these archives has mostly sorted reports into fixed taxonomies. In this work, we propose a hybrid framework in which a text-based corpus identifies the leading factors of a failure mode. Physics-based models then quantify how likely that failure is at a stated operating point. Ordered causal chains extracted from 56,202 American accident reports with a local large language model aggregate into a causation knowledge graph. On an evaluation sample of 2,000 reports, the chains recover 90.8% of investigator-flagged causes. Each physical factor whose drivers the record carries receives an occurrence model calibrated to the accident population. A leaky noisy-OR fitted to the corpus combines the factors into a failure mode probability that supports intervention. For engine power loss, the carburetor icing model separates 1,205 icing accidents from other accidents using temperature and dewpoint alone, reaching 0.61 in area under the receiver operating characteristic curve against a density ratio ceiling of 0.64. Routine weather hours give no valid control, because flying concentrates in fair weather. On later years the physics adds 0.03 to that area for occurrence and nothing for severity, so its value lies in interpretability. On four named accidents, abduction gives a probability of necessity of 0.29 to 0.50 for the heat omission, under monotonicity. The Fast Causal Inference algorithm does not license the largest backdoor adjustment on the learned networks.