面向异常解释：一类模型的深度泰勒分解
机器学习
2020-01-23 v1 机器学习
摘要
一项常见的机器学习任务是区分正常与异常数据点。在实践中，仅在该任务上达到高准确率往往并不足够，人们还希望理解为何给定数据点被以某种方式预测。我们提出一种针对一类 SVM 的新颖原则性方法，将离群点预测按输入变量进行分解。该方法首先将一类模型重构为带有距离函数与最小池化的神经网络，随后对模型输出执行深度泰勒分解（DTD）。所提出的一类 DTD 适用于多种常见的基于距离的 SVM 核，并能够可靠地解释广泛的数据异常。此外，它优于灵敏度分析、最近邻或简单边缘检测等基线方法。
引用
@article{arxiv.1805.06230,
title = {Towards Explaining Anomalies: A Deep Taylor Decomposition of One-Class Models},
author = {Jacob Kauffmann and Klaus-Robert Müller and Grégoire Montavon},
journal= {arXiv preprint arXiv:1805.06230},
year = {2020}
}