論文の概要: Why Are You Weird? Infusing Interpretability in Isolation Forest for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2112.06858v1
• Date: Mon, 13 Dec 2021 18:16:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 18:35:09.446603
• Title: Why Are You Weird? Infusing Interpretability in Isolation Forest for Anomaly Detection
• Title（参考訳）: なぜ変なの? 孤立林における異常検出のためのインフレ解釈可能性
• Authors: Nirmal Sobha Kartha, Cl\'ement Gautrais, and Vincent Vercruyssen
• Abstract要約: 異常検出は、期待される振る舞いに従わないデータセットの例を特定することに関わる。 本稿では,現在最先端の森林異常検出アルゴリズムの異常予測を説明する手法を開発した。
• 参考スコア（独自算出の注目度）: 3.498371632913735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is concerned with identifying examples in a dataset that do not conform to the expected behaviour. While a vast amount of anomaly detection algorithms exist, little attention has been paid to explaining why these algorithms flag certain examples as anomalies. However, such an explanation could be extremely useful to anyone interpreting the algorithms' output. This paper develops a method to explain the anomaly predictions of the state-of-the-art Isolation Forest anomaly detection algorithm. The method outputs an explanation vector that captures how important each attribute of an example is to identifying it as anomalous. A thorough experimental evaluation on both synthetic and real-world datasets shows that our method is more accurate and more efficient than most contemporary state-of-the-art explainability methods.
• Abstract（参考訳）: 異常検出は、期待される振る舞いに従わないデータセットの例を特定することに関わる。 多数の異常検出アルゴリズムが存在するが、これらのアルゴリズムが異常として特定の例をフラグする理由を説明するためにはほとんど注目されていない。 しかし、そのような説明はアルゴリズムの出力を解釈する人には極めて有用である。 本稿では,最先端の森林異常検出アルゴリズムの異常予測を説明する手法を開発した。 この方法は、例の各属性が異常であると識別することの重要性を捉える説明ベクトルを出力する。 合成データセットと実世界のデータセットの両方に関する徹底的な実験評価により,本手法は,現在のほとんどの状態説明可能性法よりも正確かつ効率的であることが判明した。

関連論文リスト

• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models [1.6713531923053913]
  この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。 我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。 実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-28T09:06:52Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Reimagining Anomalies: What If Anomalies Were Normal? [21.480869966442143]
  本稿では,各異常に対して複数の逆実例を生成する新しい説明法を提案する。 逆の例は、異常検知器によって正常と見なされる異常の修正である。 この手法は、異常検知を起動するメカニズムの高レベルなセマンティックな説明を提供し、ユーザーは「何のシナリオ」を探索できる。
  論文  参考訳（メタデータ） (2024-02-22T11:56:44Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Framing Algorithmic Recourse for Anomaly Detection [18.347886926848563]
  我々は,タブラルデータ(CARAT)における異常に対する文脈保存型アルゴリズムレコースを提案する。 CARATはトランスフォーマーベースのエンコーダデコーダモデルを用いて、低い確率で特徴を見つけることで異常を説明する。 異常なインスタンス内の特徴の全体的コンテキストを使用して、強調された特徴を変更することによって、意味的に一貫性のある反事実が生成される。
  論文  参考訳（メタデータ） (2022-06-29T03:30:51Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)
• Interpretable Anomaly Detection with Mondrian P{\'o}lya Forests on Data Streams [6.177270420667713]
  スケールでの異常検出は、非常に困難な実用性の問題である。 最近の研究は、異常検出のためのデータを要約するために、(ランダムな)$k$emphd-treesのバリエーションを合体させてきた。 これらの手法は、容易に解釈できないアドホックスコア関数に依存している。 我々はこれらの手法をモンドリアンポリアフォレストと呼ぶ確率的枠組みでコンテキスト化する。
  論文  参考訳（メタデータ） (2020-08-04T13:19:07Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。