基于反事实解释的序列数据细粒度异常检测
机器学习
2022-10-11 v1
摘要
序列数据中的异常检测因其在多种应用中的潜力已被长期研究，例如从日志数据中检测异常系统行为。尽管许多方法在异常序列检测上能取得良好性能，但由于条目级信息缺乏，如何识别序列中的异常条目仍具挑战性。在这项工作中，我们提出一种称为 CFDet 的新颖框架用于细粒度异常条目检测。CFDet 利用了可解释机器学习的思想。给定一个被检测为异常的序列，我们可将异常条目检测视为可解释机器学习任务，因为识别序列中的异常条目即为该检测结果提供解释。我们利用深度支持向量数据描述（Deep SVDD）方法检测异常序列，并提出一种新颖的基于反事实解释的方法来识别序列中的异常条目。在三个数据集上的实验结果表明 CFDet 能正确检测异常条目。
引用
@article{arxiv.2210.04145,
title = {Fine-grained Anomaly Detection in Sequential Data via Counterfactual Explanations},
author = {He Cheng and Depeng Xu and Shuhan Yuan and Xintao Wu},
journal= {arXiv preprint arXiv:2210.04145},
year = {2022}
}