包围原型变分自编码器：用于可解释的离群检测
机器学习
2025-06-18 v1 计算机视觉与模式识别
摘要
理解决策过程并信赖深度机器学习模型的可靠性对于将此类方法应用于安全相关应用至关重要。我们将可解释原型变分模型扩展于自编码器-based离群检测：应用变分自编码器学习有意义的潜空间，用于基于距离的分类、似然估计以及离群检测的重构。在潜空间中，分布于高斯混合分布内的In-分布（ID）区域由所学习的原型代表每个模式的中心。此外，引入一种新颖的限制损失，以促进潜空间中紧凑的ID区域，同时避免其坍缩为单点。自编码器的重构能力确保了原型和分类器ID区域的可解释性，进一步有助于离群样本的判别。广泛的评估在常见的离群检测基准数据集以及来自实际铁路应用的大规模数据集上表明，此方法有益且超越了先前方法。
引用
@article{arxiv.2506.14390,
title = {Enclosing Prototypical Variational Autoencoder for Explainable Out-of-Distribution Detection},
author = {Conrad Orglmeister and Erik Bochinski and Volker Eiselein and Elvira Fleig},
journal= {arXiv preprint arXiv:2506.14390},
year = {2025}
}
备注
This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution is published in Computer Safety, Reliability and Security - SAFECOMP 2024 Workshops - DECSoS, SASSUR, TOASTS, and WAISE, and is available online at https://doi.org/10.1007/978-3-031-68738-9_29