面向异常检测的算法补救框架
机器学习
2022-06-30 v1 人工智能
统计方法学
摘要
算法补救问题已在监督式机器学习模型中得到探索，以从决策支持系统中提供更可解释、透明和鲁棒的结果。一个未被探索的领域是针对异常检测的算法补救，特别是仅含离散特征值的表格数据。这里的问题在于呈现一组被底层异常检测模型视为正常的反事实，以便应用利用该信息进行解释或推荐对策。我们提出一种方法——表格数据异常上下文保持算法补救（CARAT），该方法高效、可扩展且对底层异常检测模型无关。CARAT 使用基于 transformer 的编码器-解码器模型，通过寻找低似然特征来解释异常。随后，利用异常实例中特征的整体上下文，通过修改高亮特征生成语义连贯的反事实。大量实验证明了 CARAT 的有效性。
引用
@article{arxiv.2206.14384,
title = {Framing Algorithmic Recourse for Anomaly Detection},
author = {Debanjan Datta and Feng Chen and Naren Ramakrishnan},
journal= {arXiv preprint arXiv:2206.14384},
year = {2022}
}
备注
ACM SigKDD 2022, Research Track