基于 DIFFI 的可解释异常检测：深度隔离森林特征重要性

异常检测是一项无监督学习任务，旨在检测相对于历史数据的异常行为。特别是，多变量异常检测在许多应用中具有重要作用，这得益于其能用单一指标（通常称为“异常分数”）概括复杂系统或观测现象的状态，也得益于该任务无需人工标注的无监督特性。隔离森林因其已被证实的有效性和较低的计算复杂度，成为异常检测领域最常用的算法之一。影响隔离森林的一个主要问题是其缺乏可解释性，这是由构成隔离森林的基本单元——隔离树——所执行分裂的固有随机性导致的。本文提出了高效且计算代价低廉的方法，用于在全局和局部层面为隔离森林定义特征重要性分数。此外，我们基于该可解释性方法定义了一种针对异常检测问题的无监督特征选择流程；该流程同时可用于应对无监督异常检测中特征重要性评估这一挑战性任务。我们在多个合成与真实世界数据集上评估了性能，包括与最先进的可解释性技术进行比较，并公开了代码以增强可复现性并推动该领域的研究。