AR-Pro：具有形式性质的异常修复反事实解释
机器学习
2024-11-01 v1
摘要
异常检测广泛用于识别关键错误和可疑行为，但现有方法缺乏可解释性。我们利用现有方法的共同性质和生成模型的最新进展，为异常检测引入反事实解释。给定一个输入，我们生成其反事实作为基于扩散的修复，展示非异常版本应该呈现的样子。这种方法的一个关键优势是它能够以领域无关的方式形式化可解释性需求，为生成和评估解释提供了一个统一框架。我们在视觉（MVTec、VisA）和时间序列（SWaT、WADI、HAI）异常数据集上展示了我们的异常可解释性框架AR-Pro的有效性。实验代码可在以下地址获取：https://github.com/xjiae/arpro。
引用
@article{arxiv.2410.24178,
title = {AR-Pro: Counterfactual Explanations for Anomaly Repair with Formal Properties},
author = {Xiayan Ji and Anton Xue and Eric Wong and Oleg Sokolsky and Insup Lee},
journal= {arXiv preprint arXiv:2410.24178},
year = {2024}
}