用 PCA 重构误差的 Shapley 值解释异常检测

Naoya Takeishi

用 PCA 重构误差的 Shapley 值解释异常检测

机器学习 2020-02-25 v2 机器学习

作者: Naoya Takeishi

摘要

我们提出了一种计算主成分分析（PCA）重构误差的 Shapley 值的方法，该方法在解释基于 PCA 的异常检测结果时特别有用。由于在应用基于 PCA 的异常检测时特征通常是相关的，在计算 Shapley 值的值函数时必须谨慎。我们利用 PCA 的概率视角，特别是其条件分布，来精确计算 Shapley 值的值函数。我们还给出了数值示例，表明相比于各特征原始的重构误差，Shapley 值在解释检测到的异常方面更具优势。

关键词

Shapley 值主成分分析异常检测重构误差可解释性条件分布

引用

@article{arxiv.1909.03495,
  title  = {Shapley Values of Reconstruction Errors of PCA for Explaining Anomaly Detection},
  author = {Naoya Takeishi},
  journal= {arXiv preprint arXiv:1909.03495},
  year   = {2020}
}

备注

Workshop on Learning and Mining with Industrial Data (LMID) 2019. typos fixed

用 PCA 重构误差的 Shapley 值解释异常检测

摘要

关键词

引用

备注

相关论文