利用去噪自编码器解释金融表格数据中的异常
机器学习
2022-10-04 v2 计算工程、金融与科学
摘要
可解释人工智能（XAI）的最新进展增加了各行业部署安全且可解释 AI 模型的需求。尽管深度神经网络在多种领域取得近期成功，理解此类复杂模型的决策过程对领域专家而言仍具挑战。尤其在金融领域，仅指出一个通常由数百个混合类型列组成的异常，对专家价值有限。因此，在本文中，我们提出一个利用为混合类型表格数据设计的去噪自编码器解释异常的框架。我们专门将技术聚焦于作为错误观测的异常。这是通过定位具有潜在误差的单个样本列（单元格）并分配相应置信度分数来实现的。此外，模型提供预期的单元格数值估计以修正错误。我们基于三个标准公共表格数据集（Credit Default、Adult、IEEE Fraud）和一个专有数据集（Holdings）评估我们的方法。我们发现应用于该任务的去噪自编码器在单元格错误检测率及预期值率上均已优于其他方法。另外，我们分析了专为单元格错误检测设计的特定损失如何进一步提升这些指标。我们的框架旨在让领域专家理解异常的异常特征，并改进内部数据质量管理流程。
引用
@article{arxiv.2209.10658,
title = {Explaining Anomalies using Denoising Autoencoders for Financial Tabular Data},
author = {Timur Sattarov and Dayananda Herurkar and Jörn Hees},
journal= {arXiv preprint arXiv:2209.10658},
year = {2022}
}
备注
10 pages, 4 figures, 3 tables, preprint version