論文の概要: Framing Algorithmic Recourse for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2206.14384v1
- Date: Wed, 29 Jun 2022 03:30:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 03:54:02.371350
- Title: Framing Algorithmic Recourse for Anomaly Detection
- Title(参考訳): 異常検出のためのフレーミングアルゴリズムリコース
- Authors: Debanjan Datta, Feng Chen, Naren Ramakrishnan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.347886926848563
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of algorithmic recourse has been explored for supervised machine
learning models, to provide more interpretable, transparent and robust outcomes
from decision support systems. An unexplored area is that of algorithmic
recourse for anomaly detection, specifically for tabular data with only
discrete feature values. Here the problem is to present a set of
counterfactuals that are deemed normal by the underlying anomaly detection
model so that applications can utilize this information for explanation
purposes or to recommend countermeasures. We present an approach -- Context
preserving Algorithmic Recourse for Anomalies in Tabular data (CARAT), that is
effective, scalable, and agnostic to the underlying anomaly detection model.
CARAT uses a transformer based encoder-decoder model to explain an anomaly by
finding features with low likelihood. Subsequently semantically coherent
counterfactuals are generated by modifying the highlighted features, using the
overall context of features in the anomalous instance(s). Extensive experiments
help demonstrate the efficacy of CARAT.
- Abstract(参考訳): アルゴリズムリコースの問題は、意思決定支援システムからより解釈可能で、透明で、堅牢な結果をもたらすために、教師付き機械学習モデルで研究されている。
未探索領域は、異常検出のためのアルゴリズムリコース、特に離散的な特徴値のみを持つ表データである。
ここで問題となるのは、基礎となる異常検出モデルによって正常と見なされる反事実の集合を示し、アプリケーションがこの情報を説明目的に利用したり、対策を推奨したりすることである。
表データ(carat)の異常に対するアルゴリズム的リコースをコンテキスト保存するアプローチを提案する。これは効果的でスケーラブルで,基盤となる異常検出モデルとは無関係である。
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。
その後、異常なインスタンスの特徴の全体的なコンテキストを使用して、強調された特徴を変更して意味的に一貫性のある反事実を生成する。
大規模な実験はCARATの有効性を示すのに役立つ。
関連論文リスト
- Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。
提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文 参考訳(メタデータ) (2024-07-12T01:50:07Z) - PUAD: Frustratingly Simple Method for Robust Anomaly Detection [0.0]
対象の誤数のような論理的異常は空間的特徴写像によってうまく表現できないと我々は主張する。
本稿では, 特徴空間上に, 最先端の再構成に基づくアプローチに対して, 簡単な分布外検出手法を組み込む手法を提案する。
本手法は,MVTec LOCO ADデータセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2024-02-23T06:57:31Z) - Towards Interpretable Anomaly Detection via Invariant Rule Mining [2.538209532048867]
本研究では,不変ルールマイニングによる高度に解釈可能な異常検出を追求する。
具体的には、決定木学習と相関ルールマイニングを活用して、不変ルールを自動的に生成する。
生成された不変規則は、異常検出結果の明示的な説明を提供することができるため、その後の意思決定には極めて有用である。
論文 参考訳(メタデータ) (2022-11-24T13:03:20Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - 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) - Dependency-based Anomaly Detection: a General Framework and Comprehensive Evaluation [33.31923133201812]
本稿では,依存性に基づく異常検出(DepAD)を提案する。
DepADは教師なしの異常検出を教師付き特徴選択と予測タスクとして再設定する。
2つのDepADアルゴリズムは、幅広いデータセットを扱うオールラウンドと優れたパフォーマーとして登場します。
論文 参考訳(メタデータ) (2020-11-13T01:39:44Z) - A Transfer Learning Framework for Anomaly Detection Using Model of
Normality [2.9685635948299995]
畳み込みニューラルネットワーク(CNN)技術は、画像ベースの異常検出アプリケーションにおいて非常に有用であることが証明されている。
モデル・オブ・ノーマル性(MoN)を用いた類似度尺度に基づく異常検出のための伝達学習フレームワークを提案する。
提案したしきい値設定により,大幅な性能向上が達成できることを示す。
論文 参考訳(メタデータ) (2020-11-12T05:26:32Z) - Interpreting Rate-Distortion of Variational Autoencoder and Using Model
Uncertainty for Anomaly Detection [5.491655566898372]
表現学習による教師なし異常検出のためのスケーラブルな機械学習システムを構築した。
本稿では,情報理論の観点からVAEを再考し,再構成誤差を用いた理論的基礎を提供する。
ベンチマークデータセットに対するアプローチの競合性能を実証的に示す。
論文 参考訳(メタデータ) (2020-05-05T00:03:48Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。