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
- 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) - Word-Level ASR Quality Estimation for Efficient Corpus Sampling and
Post-Editing through Analyzing Attentions of a Reference-Free Metric [5.592917884093537]
品質推定(QE)メトリクスのポテンシャルは、ASRシステムにおける説明可能な人工知能(XAI)を強化する新しいツールとして導入され、評価される。
NoRefERメトリックの能力は、単語レベルの誤りを識別し、ASR仮説を補うのに役立つ。
論文 参考訳(メタデータ) (2024-01-20T16:48:55Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳(メタデータ) (2023-12-22T15:04:20Z) - AIOps-Driven Enhancement of Log Anomaly Detection in Unsupervised
Scenarios [0.18641315013048293]
本研究では、教師なし戦略を取り入れた革新的なアルゴリズムにより、新しいハイブリッドフレームワークを導入する。
提案手法はシミュレーションと実世界の両方のデータセットの利用を包含する。
実験結果は有望であり, 偽陽性例の有意な減少を示した。
論文 参考訳(メタデータ) (2023-11-05T11:16:24Z) - 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) - Diversified Outlier Exposure for Out-of-Distribution Detection via
Informative Extrapolation [110.34982764201689]
Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。
近年, 外部曝露によるOOD検出に有意な結果が得られた。
本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
論文 参考訳(メタデータ) (2023-10-21T07:16:09Z) - 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) - 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) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳(メタデータ) (2020-08-14T16:48:29Z) - Interpretable Anomaly Detection with DIFFI: Depth-based Isolation Forest
Feature Importance [4.769747792846005]
異常検出(英: Anomaly Detection)は、歴史的データに対する異常な振る舞いを検出することを目的とした教師なし学習課題である。
孤立林は、異常検出の分野で最も広く採用されているアルゴリズムの1つである。
本稿では,森林のグローバルレベルと地域レベルの両方で特徴重要度を定義する手法を提案する。
論文 参考訳(メタデータ) (2020-07-21T22:19:21Z) - 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。