In-depth research is implemented on the disruption predictor in HL-2A to improve the accuracy and interpretability of the model. For higher accuracy, four adjustments are tried to solve four corresponding problems in a baseline model. Reductive comparison experiments are designed to evaluate their contribution to performance. The result shows that these adjustments together can improve the AUC (area under receiver operating characteristic curve) of the baseline model by 0.039. For interpretability of model, an interpretation method is proposed to evaluate the real-time importance of each input signal. The result of single shot interpretation shows good coherence with the causes of disruptions. To further validate the reasonability of this interpretation method, disruption causes of shot nos. 20000–36000 are analysed to make a disruption cause dataset. Statistical analysis of the output of the interpretation algorithm on this dataset also shows a good coherence with the disruption causes. Then a Bayes classifier is developed to recognize the cause of disruption based on the interpretation algorithm's output. This classifier has an accuracy of 71.2% on the labelled dataset, which contains 605 disruptive shots categorized into five disruption causes.
HL-2Aにおけるディスラプション予測器について、モデルの精度と解釈可能性を向上させるため、詳細な研究を実施した。精度を高めるため、ベースラインモデルにおける4つの対応する問題を解決するために4つの調整を試みた。それらの性能への貢献を評価するため、削減比較実験を設計した。結果は、これらの調整を組み合わせることで、ベースラインモデルのAUC（受信者動作特性曲線下面積）を0.039改善できることを示している。モデルの解釈可能性については、各入力信号のリアルタイム重要性を評価する解釈手法を提案した。単一ショット解釈の結果は、ディスラプションの原因と良好な整合性を示している。この解釈手法の合理性をさらに検証するため、ショット番号20000〜36000のディスラプション原因を分析し、ディスラプション原因データセットを作成した。このデータセットに対する解釈アルゴリズムの出力の統計分析も、ディスラプション原因と良好な整合性を示している。次に、解釈アルゴリズムの出力に基づいてディスラプションの原因を認識するベイズ分類器を開発した。この分類器は、5つのディスラプション原因に分類された605のディスラプティブショットを含むラベル付きデータセットにおいて、71.2%の精度を有する。