論文の概要: Towards Interpretable Anomaly Detection via Invariant Rule Mining
- arxiv url: http://arxiv.org/abs/2211.13577v1
- Date: Thu, 24 Nov 2022 13:03:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 15:07:22.900745
- Title: Towards Interpretable Anomaly Detection via Invariant Rule Mining
- Title(参考訳): 不変規則マイニングによる解釈可能な異常検出に向けて
- Authors: Cheng Feng and Pingge Hu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.538209532048867
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In the research area of anomaly detection, novel and promising methods are
frequently developed. However, most existing studies, especially those
leveraging deep neural networks, exclusively focus on the detection task only
and ignore the interpretability of the underlying models as well as their
detection results. However, anomaly interpretation, which aims to provide
explanation of why specific data instances are identified as anomalies, is an
equally (if not more) important task in many real-world applications. In this
work, we pursue highly interpretable anomaly detection via invariant rule
mining. Specifically, we leverage decision tree learning and association rule
mining to automatically generate invariant rules that are consistently
satisfied by the underlying data generation process. The generated invariant
rules can provide explicit explanation of anomaly detection results and thus
are extremely useful for subsequent decision-making. Furthermore, our empirical
evaluation shows that the proposed method can also achieve comparable
performance in terms of AUC and partial AUC with popular anomaly detection
models in various benchmark datasets.
- Abstract(参考訳): 異常検出研究領域では,新規かつ有望な手法が頻繁に開発されている。
しかしながら、既存の研究、特にディープニューラルネットワークを活用した研究は、検出タスクのみに集中し、基礎となるモデルの解釈可能性と検出結果を無視している。
しかしながら、特定のデータインスタンスが異常として識別される理由を説明することを目的とした異常解釈は、多くの現実世界アプリケーションにおいて、同じように(それ以上ではないにしても)重要なタスクである。
本研究では,不変規則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、決定木学習と関連ルールマイニングを活用し、基礎となるデータ生成プロセスで一貫して満たされる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、それゆえその後の意思決定に非常に有用である。
さらに,提案手法は,AUCおよび部分AUCにおいて,様々なベンチマークデータセットで一般的な異常検出モデルと同等の性能を達成できることを示す。
関連論文リスト
- AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。
本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。
本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文 参考訳(メタデータ) (2023-04-09T10:40:02Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - 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) - 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) - Anomaly Detection via Self-organizing Map [52.542991004752]
製品品質管理のための工業生産において,異常検出が重要な役割を担っている。
従来の異常検出方法は、限定的な一般化能力を持つルールベースである。
教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
論文 参考訳(メタデータ) (2021-07-21T06:56:57Z) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳(メタデータ) (2021-05-16T03:55:02Z) - 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)
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。