基于似然补偿的异常归因

本文解决解释黑盒回归模型异常预测的任务。当使用黑盒模型（例如从多个传感器测量值预测建筑能耗的模型）时，我们经常遇到一些观测样本显著偏离其预测值的情况。这可能是由于次优黑盒模型，或仅仅因为这些样本是离群点。无论哪种情况，理想做法是计算一个“责任分数”，指示输入变量对异常输出的责任程度。本工作中，我们将此任务形式化为统计逆问题：给定模型相对期望值的偏差，推断各输入变量的责任分数。我们提出一种称为似然补偿（LC）的新方法，其基于似然原理并为每个输入变量计算修正量。据我们所知，这是首个为实值异常模型偏差计算责任分数的系统性框架。我们将该方法应用于真实建筑能耗预测任务，并基于专家反馈确认其实用性。