从CNN到CNN+RNN：适配时间序列异常检测的可视化技术
计算机视觉与模式识别
2024-12-25 v3
摘要
深度神经网络在解决复杂问题方面高度有效，但常被视为黑箱，限制了其在透明性和可解释性至关重要的场景中的应用。缺乏可见性引发了伦理和法律方面的担忧，特别是在安全等关键领域，自动决策可能产生重大后果。通用数据保护条例(GDPR)强调了为这些决策提供理由的重要性。本工作中，我们探索了可视化技术以提高基于卷积循环神经网络(CNN+RNN)和TimeDistributed层构建的异常检测模型的理解。我们的模型结合VGG19进行卷积特征提取和GRU层进行实时视频数据的序列分析。虽然适用于时序数据，但该结构使梯度传播复杂化，因为序列元素被独立处理，导致时间信息脱钩。我们适配了显著性图谱和Grad-CAM等可视化技术以应对这些挑战。本文突出了在视觉上解释视频模型方面的困难，并展示了如何将静态图像技术适配到循环架构中，在缺乏专用方法的情况下提供了一种过渡性解决方案。
引用
@article{arxiv.2411.04707,
title = {From CNN to CNN + RNN: Adapting Visualization Techniques for Time-Series Anomaly Detection},
author = {Fabien Poirier},
journal= {arXiv preprint arXiv:2411.04707},
year = {2024}
}