基于分位数回归森林的可解释上下文异常检测
机器学习
2023-08-07 v3 人工智能
摘要
传统异常检测方法通过平等对待所有特征来识别偏离多数其他对象的目标。相比之下，上下文异常检测方法通过将特征划分为上下文特征和行为特征，旨在检测在相似对象的上下文中偏离其他对象的目标。本文中，我们建立基于依赖关系的传统异常检测方法与时上下文异常检测方法之间的联系。基于所得洞见，我们提出一种新颖的固有可解释上下文异常检测方法，利用分位数回归森林（Quantile Regression Forests）建模特征间依赖关系。在多个合成与真实世界数据集上的大量实验表明，我们的方法在准确率和可解释性上均优于最先进的异常检测方法以识别上下文异常。
引用
@article{arxiv.2302.11239,
title = {Explainable Contextual Anomaly Detection using Quantile Regression Forests},
author = {Zhong Li and Matthijs van Leeuwen},
journal= {arXiv preprint arXiv:2302.11239},
year = {2023}
}
备注
Manuscript accepted by Data Mining and Knowledge Discovery for publication (June 2023). This is the final revised version