一种基于可解释性的人机协同方法以改进非技术损失检测
机器学习
2021-08-18 v2 机器学习
摘要
基于机器学习实现检测欺诈及其他非技术损失（NTL）的系统具有挑战性：可用数据有偏，且当前使用的算法是黑盒，利益相关者既不易信任也难以理解。本工作阐述了我们的人机协同方法，以缓解一家西班牙国际公用事业公司使用监督模型检测非技术损失（NTL）的实际系统中的这些问题。该方法利用人类知识（例如来自数据科学家或公司利益相关者）以及可解释方法提供的信息，在训练过程中引导系统。这一简单高效、可轻易应用于其他工业项目的方法在真实数据集上进行了测试，结果表明所得到的预测模型在准确性、可解释性、鲁棒性和灵活性方面更优。
引用
@article{arxiv.2009.13437,
title = {A Human-in-the-Loop Approach based on Explainability to Improve NTL Detection},
author = {Bernat Coma-Puig and Josep Carmona},
journal= {arXiv preprint arXiv:2009.13437},
year = {2021}
}
备注
8 pages, 6 figures. Pre-Print version