通过聚焦上下文相关数据解释基于深度学习的能耗数据异常检测
机器学习
2025-01-13 v1 人工智能
摘要
检测能耗数据中的异常对于识别能源浪费、设备故障以及确保高效能源管理至关重要。机器学习，特别是深度学习方法，在异常检测中取得了巨大成功；然而，它们是黑箱方法，不提供透明度或解释。SHAP及其变体已被提出来解释这些模型，但它们存在高计算复杂度（SHAP）或不稳定性和不一致性（例如Kernel SHAP）的问题。为了解决这些挑战，本文提出了一种针对能耗数据中异常的可解释性方法，该方法聚焦于上下文相关信息。所提出的方法利用现有的可解释性技术，专注于SHAP变体，结合全局特征重要性和加权余弦相似度，根据每个异常点的上下文选择背景数据集。通过聚焦于上下文和最相关的特征，该方法减轻了可解释性算法的不稳定性。在10种不同的机器学习模型、5个数据集和5种XAI技术上的实验结果表明，我们的方法减少了解释的变异性，提供了一致的解释。统计分析证实了我们方法的鲁棒性，显示在多个数据集上变异性平均降低约38%。
引用
@article{arxiv.2501.06099,
title = {Explaining Deep Learning-based Anomaly Detection in Energy Consumption Data by Focusing on Contextually Relevant Data},
author = {Mohammad Noorchenarboo and Katarina Grolinger},
journal= {arXiv preprint arXiv:2501.06099},
year = {2025}
}
备注
26 pages, 8 figures