人工知能の解釈可能性は、システムがなぜ特定の方法で動作するのかを理解するために、根本的な原因とその影響を明らかにすることを目指しています。従来の説明手法が主に入力と出力変数間の相関関係を強調するのに対し、因果説明は介入的な質問に焦点を当てています。これにより、より堅牢な洞察が得られ、ユーザーは特に高リスク領域での自動化された判断をより深く理解できるようになります。 しかし、フィードバックループと部分的な観測可能性を持つ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実装不可能です。本論文は統計力学にインスパイアされた新しいフレームワークを紹介し、サイバーフィジカルIoTシステムの変数依存性を有向因果グラフを復元することなく、無向のエネルギーベースの表現を通じてモデル化します。 このアプローチは、エネルギーランドスケープの変化がいかに個別コンポーネントの影響を反映するかを分析することで、依存関係を考慮した厳密な属性説明を可能にします。同時に、ハイブリッド相互作用全体にわたる摂動効果について推論し、異常動作の信頼性の高い説明を提供します。工業用IoTテストベッドでハイブリッド連続変数と離散変数を含むシミュレーションを通じた実験により、本フレームワークは最先端のグラフベースアプローチと比較して、より高い属性精度、改善された堅牢性、より優れたスケーラビリティを実現することが実証されました。属性は必ずしもシステムの生成ダイナミクスを完全に復元することは意図されていませんが、人間の解釈と下流の予測および診断タスクの両方をサポートする、価値のある依存関係を考慮した説明を提供します。産業用IoTセキュリティで実証されましたが、このフレームワークは原則的で構造的な説明が必要な他の高次元のサイバーフィジカルおよび社会技術システムにも適用できます。