通过端到端最大化 KL 散度学习异常子群
机器学习
2024-02-21 v1
摘要
发现并描述在目标属性上表现异常的子群体在许多科学学科中具有重要应用，从识别人口普查数据中的弱势群体到在金纳米颗粒中寻找导电分子。当前寻找此类子群的方法需要预先离散化的预测变量，不允许非平凡的目标分布，无法扩展到大型数据集，且难以发现多样化的结果。为解决这些局限性，我们提出了 Syflow，一种端到端可优化的方法，该方法利用归一化流（normalizing flows）对任意目标分布进行建模，并引入了一种新颖的神经层以生成易于解释的子群描述。我们在合成数据和真实世界数据（包括一项案例研究）上进行了演示，结果表明 Syflow 能够可靠地发现高度异常的子群，并伴随有深刻的描述。
引用
@article{arxiv.2402.12930,
title = {Learning Exceptional Subgroups by End-to-End Maximizing KL-divergence},
author = {Sascha Xu and Nils Philipp Walter and Janis Kalofolias and Jilles Vreeken},
journal= {arXiv preprint arXiv:2402.12930},
year = {2024}
}