通过ExIFFI实现工业过程中透明且高效的异常检测
机器学习
2026-04-03 v4 人工智能
摘要
异常检测（AD）在工业环境中至关重要，它通过检测潜在问题来优化运营。传统方法仅将观测值标记为正常或异常，缺乏关键洞察。在工业5.0中，可解释的结果变得令人向往，以使使用者能够理解模型决策背后的逻辑。本文介绍了ExIFFI的首次工业应用，这是一种近期提出的、为Extended Isolation Forest（EIF）异常检测方法提供快速高效解释的方法。ExIFFI在四个工业数据集上进行了测试，展现出卓越的解释有效性、计算效率以及改进的原始异常检测性能。ExIFFI在研究考虑的所有基准测试上均达到超过90%的平均精度，并且在特征选择代理任务指标上优于SOTA的可解释人工智能（XAI）方法，该指标是专门引入以定量评估模型解释的。
引用
@article{arxiv.2405.01158,
title = {Towards Transparent and Efficient Anomaly Detection in Industrial Processes through ExIFFI},
author = {Davide Frizzo and Francesco Borsatti and Alessio Arcudi and Antonio De Moliner and Roberto Oboe and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2405.01158},
year = {2026}
}
备注
Submitted to IEEE Transaction on Industry Applications