論文の概要: ExIFFI and EIF+: Interpretability and Enhanced Generalizability to Extend the Extended Isolation Forest

• arxiv url: http://arxiv.org/abs/2310.05468v1
• Date: Mon, 9 Oct 2023 07:24:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 07:08:21.614251
• Title: ExIFFI and EIF+: Interpretability and Enhanced Generalizability to Extend the Extended Isolation Forest
• Title（参考訳）: ExIFFI と EIF+: 森林拡張のための解釈可能性と一般化性の向上
• Authors: Alessio Arcudi, Davide Frizzo, Chiara Masiero, Gian Antonio Susto
• Abstract要約: 異常検出は、教師なしの機械学習タスクである。 一般化能力の向上を目的とした拡張隔離林(EIF)の拡張版であるEIF+を提案する。 また, ExIFFI は, 広葉樹林に解釈可能性, 特に特徴ランクを付与する新しいアプローチである。
• 参考スコア（独自算出の注目度）: 5.6148728159802035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection, an essential unsupervised machine learning task, involves identifying unusual behaviors within complex datasets and systems. While Machine Learning algorithms and decision support systems (DSSs) offer effective solutions for this task, simply pinpointing anomalies often falls short in real-world applications. Users of these systems often require insight into the underlying reasons behind predictions to facilitate Root Cause Analysis and foster trust in the model. However, due to the unsupervised nature of anomaly detection, creating interpretable tools is challenging. This work introduces EIF+, an enhanced variant of Extended Isolation Forest (EIF), designed to enhance generalization capabilities. Additionally, we present ExIFFI, a novel approach that equips Extended Isolation Forest with interpretability features, specifically feature rankings. Experimental results provide a comprehensive comparative analysis of Isolation-based approaches for Anomaly Detection, including synthetic and real dataset evaluations that demonstrate ExIFFI's effectiveness in providing explanations. We also illustrate how ExIFFI serves as a valid feature selection technique in unsupervised settings. To facilitate further research and reproducibility, we also provide open-source code to replicate the results.
• Abstract（参考訳）: 重要な教師なし機械学習タスクである異常検出では、複雑なデータセットやシステム内の異常な振る舞いを特定する。 機械学習アルゴリズムと意思決定支援システム(DSS)は、このタスクに効果的なソリューションを提供するが、現実のアプリケーションでは多くの場合、異常を指摘できない。 これらのシステムのユーザは、ルート原因分析を促進し、モデルに対する信頼を育むために、予測の背後にある根本的な理由に関する洞察を必要とすることが多い。 しかしながら、異常検出の教師なしの性質のため、解釈可能なツールの作成は困難である。 本研究は、一般化能力を高めるために設計された拡張隔離林(EIF)の拡張版であるEIF+を紹介する。 また,ExIFFIは,特に特徴ランキングの解釈可能性を持つ拡張隔離林を具備する新しいアプローチである。 実験結果から,Anomaly Detectionに対する分離に基づくアプローチの包括的比較分析を行い,ExIFFIの有効性を示す合成および実データセットの評価を行った。 また,ExIFFIが教師なし設定において有効な特徴選択手法であることを示す。 さらなる研究と再現性を促進するため、結果を再現するオープンソースコードも提供します。

関連論文リスト

• Directly Handling Missing Data in Linear Discriminant Analysis for Enhancing Classification Accuracy and Interpretability [1.4840867281815378]
  重み付き欠失線形判別分析(WLDA)と呼ばれる新しい頑健な分類法を提案する。 WLDAは線形判別分析(LDA)を拡張して、計算不要な値でデータセットを処理する。 我々はWLDAの特性を確立するために詳細な理論解析を行い、その説明可能性について徹底的に評価する。
  論文  参考訳（メタデータ） (2024-06-30T14:21:32Z)
• AcME-AD: Accelerated Model Explanations for Anomaly Detection [5.702288833888639]
  AcME-ADは相互運用性のためのモデルに依存しない効率的なソリューションです。 ローカルな特徴重要度スコアと、各異常に寄与する要因を隠蔽するWhat-if分析ツールを提供する。 本稿では,AcME-ADの基礎とその既存手法に対する利点を解明し,合成データと実データの両方を用いて,その有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-02T16:11:58Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Active Learning-based Isolation Forest (ALIF): Enhancing Anomaly Detection in Decision Support Systems [2.922007656878633]
  ALIFは一般的な孤立林の軽量な修正であり、他の最先端のアルゴリズムと比較して優れた性能を示した。 提案手法は,現実のシナリオでますます普及しているDSS(Decision Support System)の存在に特に注目されている。
  論文  参考訳（メタデータ） (2022-07-08T14:36:38Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。