基于自编码器的时间序列异常检测的反事实解释
机器学习
2025-01-07 v1
摘要
现代电机系统的复杂性要求发展出类似异常检测这样的精细诊断方法，以检测偏差。常规的异常检测方法，如信号处理和统计建模，往往难以有效处理复杂系统的细节，尤其是在处理多变量信号时。相比之下，基于神经网络的异常检测方法，特别是自编码器，已成为具有吸引力的替代方案，显示出卓越的性能。然而，自编码器在其决策过程中的内在不透明性阻碍了其大规模实际应用。为增强异常检测模型的可解释性和可信度，本文通过采用特征选择器选择特征并使用反事实解释来为模型输出提供上下文来解决这一挑战。我们在SKAB基准数据集和工业时间序列数据集上测试了该方法。通过有效性、稀疏性和距离度量衡量评估了基于梯度的反事实解释方法。我们的实验发现，所提出的反事实方法能够提供对模型决策过程的有意义且有价值的见解，通过解释较少的信号来解释常规方法。这些见解增强了异常检测模型的可信度和可解释性。
引用
@article{arxiv.2501.02069,
title = {Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection},
author = {Abhishek Srinivasan and Varun Singapuri Ravi and Juan Carlos Andresen and Anders Holst},
journal= {arXiv preprint arXiv:2501.02069},
year = {2025}
}
备注
8 pages, 6 figures, 6 tables, conference proceeding