通过解码自编码器解释时间序列数据中的异常值
机器学习
2025-02-04 v2 人工智能
摘要
异常值检测是诸多领域的关键分析工具。在制造等关键系统中，异常值检测故障可能造成巨大的成本和安全风险。因此，在此类环境中部署不透明模型时，解释性人工智能（XAI）的需求尤为迫切。本研究聚焦于德国汽车供应业的制造时间序列数据。我们利用自编码器对整个时间序列进行压缩，然后对其潜在特征应用异常检测技术。对于异常值解释，我们（i）采用广泛使用的 XAI 技术处理自编码器的编码器。此外，（ii）我们提出了 AEE（Aggregated Explanatory Ensemble），即一种将多个 XAI 技术的解释融合为单一更具表达力解释的新方法。对于解释的评估，（iii）我们提出了一种用于量化编码器解释质量的技术。进一步，我们定性评估了异常值解释的有效性。
引用
@article{arxiv.2409.01713,
title = {Interpreting Outliers in Time Series Data through Decoding Autoencoder},
author = {Patrick Knab and Sascha Marton and Christian Bartelt and Robert Fuder},
journal= {arXiv preprint arXiv:2409.01713},
year = {2025}
}
备注
14 pages, 8 figures, accepted at TempXAI @ ECML-PKDD, published in CEUR Workshop Proceedings, Vol. 3761. https://ceur-ws.org/Vol-3761/paper3.pdf