AcME-AD: 加速的异常检测模型解释
机器学习
2024-03-05 v1
摘要
追求快速且鲁棒的可解释性在异常检测中至关重要，尤其是在实际应用中的重要性。传统的异常检测方法在异常识别方面表现出色，但通常是黑箱，对其决策过程提供的见解很少。这种缺乏透明度损害了它们的可靠性，并阻碍了它们在理解异常检测原因至关重要的场景中的采用。同时，在实际场景中快速获得解释至关重要。为了弥补这一差距，我们提出了AcME-AD，一种基于可解释人工智能原则的新方法，旨在阐明表格数据的异常检测模型。AcME-AD通过提供模型无关、高效的互操作性解决方案，超越了特定模型或资源密集型可解释性技术的限制。它提供局部特征重要性分数和一个假设分析工具，揭示导致每个异常的因素，从而帮助根本原因分析和决策。本文阐述了AcME-AD的基础、其相对于现有方法的优势，并通过在合成和真实数据集上的测试验证了其有效性。AcME-AD的实现和实验复现代码可在公共仓库中获取。
引用
@article{arxiv.2403.01245,
title = {AcME-AD: Accelerated Model Explanations for Anomaly Detection},
author = {Valentina Zaccaria and David Dandolo and Chiara Masiero and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2403.01245},
year = {2024}
}