ECATS：面向时间序列的可解释概念基异常检测
机器学习
2024-07-31 v2 人工智能
摘要
深度学习方法在时间序列的预测和分类任务中已取得卓越的性能，包括异常检测。然而，复杂的网络物理系统（CPS）导致解释性方法面临挑战。为克服这种内在的不可解释性，我们提出 ECATS，一种概念基的神经符号架构，其中概念表示为信号时序逻辑（STL）公式。通过基于核的方法实现 STL，概念嵌入通过交叉注意力机制以无监督方式学习。该网络通过这些概念嵌入进行类别预测，使每个输入天然可提取有意义的解释。我们的初步实验使用简单的数据集表明，该模型能够实现出色的分类性能，同时确保局部可解释性。
引用
@article{arxiv.2405.10608,
title = {ECATS: Explainable-by-design concept-based anomaly detection for time series},
author = {Irene Ferfoglia and Gaia Saveri and Laura Nenzi and Luca Bortolussi},
journal= {arXiv preprint arXiv:2405.10608},
year = {2024}
}
备注
14 pages, 8 figures, accepted to 18th International Conference on Neural-Symbolic Learning and Reasoning (NeSy 2024)