論文の概要: ExIFFI and EIF+: Interpretability and Enhanced Generalizability to Extend the Extended Isolation Forest
- arxiv url: http://arxiv.org/abs/2310.05468v2
- Date: Tue, 9 Apr 2024 14:41:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 20:16:36.488386
- 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: 本報告では,森林拡張による予測を具体的に説明するための新しい解釈可能性手法であるExIFFIを紹介する。
総合的な比較分析を行い、合成データセットと実世界のデータセットを用いて、様々な教師なしADアプローチを評価する。
この分析は,AD予測のための説明を提供するための ExIFFI の有効性を示し,また,教師なし環境における特徴選択手法としての ExIFFI の有用性について検討する。
- 参考スコア(独自算出の注目度): 5.139809663513828
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Anomaly Detection 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 may prove insufficient in real-world applications. Users require insights into the rationale behind these predictions to facilitate root cause analysis and foster trust in the model. However, the unsupervised nature of AD presents a challenge in developing interpretable tools. This paper addresses this challenge by introducing ExIFFI, a novel interpretability approach specifically designed to explain the predictions made by Extended Isolation Forest. ExIFFI leverages feature importance to provide explanations at both global and local levels. This work also introduces EIF+, an enhanced variant of Extended Isolation Forest, conceived to improve its generalization capabilities through a different splitting hyperplanes design strategy. A comprehensive comparative analysis is conducted, employing both synthetic and real-world datasets to evaluate various unsupervised AD approaches. The analysis demonstrates the effectiveness of ExIFFI in providing explanations for AD predictions. Furthermore, the paper explores the utility of ExIFFI as a feature selection technique in unsupervised settings. Finally, this work contributes to the research community by providing open-source code, facilitating further investigation and reproducibility.
- Abstract(参考訳): 異常検出には、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ことが含まれる。
機械学習アルゴリズムとDSS(Decision Support Systems)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、異常の特定が不十分である。
ユーザは、根本原因分析を促進し、モデルに対する信頼を促進するために、これらの予測の背後にある理論的根拠に関する洞察を必要とします。
しかし、ADの教師なしの性質は、解釈可能なツールを開発する上での課題である。
本稿では,この課題に対して,拡張隔離林の予測を説明するために考案された,新しい解釈可能性アプローチであるExIFFIを導入する。
ExIFFIは機能の重要性を活用し、グローバルレベルとローカルレベルの両方で説明を提供する。
この研究は、異なる分割された超平面設計戦略を通じて一般化能力を改善するために考案された拡張隔離林の強化版 EIF+ も導入した。
総合的な比較分析を行い、合成データセットと実世界のデータセットを用いて、様々な教師なしADアプローチを評価する。
この分析は、AD予測のための説明を提供するためのExIFFIの有効性を示す。
さらに,教師なし設定における特徴選択手法としてのExIFFIの有用性について検討した。
最後に、この研究はオープンソースコードを提供することで研究コミュニティに貢献し、さらなる調査と再現性を促進する。
関連論文リスト
- Unified Source-Free Domain Adaptation [44.95240684589647]
ソーストレーニングデータにアクセスせずにソースモデルをターゲットドメインに転送する目的で、Source-Free Domain Adaptation (SFDA)が広く研究されている。
我々はLCFD(Latent Causal Factors Discovery)と呼ばれる新しい手法を提案する。
現実の統計的記述の学習を強調する従来の代替手段とは対照的に、因果性の観点からLCFDを定式化する。
論文 参考訳(メタデータ) (2024-03-12T12:40:08Z) - 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) - Key Design Choices in Source-Free Unsupervised Domain Adaptation: An
In-depth Empirical Analysis [16.0130560365211]
本研究では、画像分類におけるSF-UDA(Source-Free Unsupervised Domain Adaptation)のベンチマークフレームワークを提供する。
この研究は、さまざまなSF-UDAテクニックを実証的に検証し、データセット間の一貫性を評価する。
トレーニング済みのデータセットと戦略を徹底的に評価し、特に教師付きおよび自己監督型の手法に重点を置いている。
論文 参考訳(メタデータ) (2024-02-25T13:37:36Z) - 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) - A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。
この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる
本調査では,I-CMRの3段階分類法について概説する。
論文 参考訳(メタデータ) (2023-09-05T05:06:48Z) - A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。
SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。
一般的な3つの分類基準で30以上のSFDA法を比較検討した。
論文 参考訳(メタデータ) (2023-02-23T06:32:09Z) - Unified Structure Generation for Universal Information Extraction [58.89057387608414]
UIEは、異なるIEタスクを普遍的にモデル化し、ターゲット構造を適応的に生成し、異なる知識ソースから一般的なIE能力を協調的に学習することができる。
実験によると、UIEは4つのIEタスク、13のデータセット、およびすべての教師付き、低リソース、数ショット設定で最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2022-03-23T08:49:29Z) - AcME -- Accelerated Model-agnostic Explanations: Fast Whitening of the
Machine-Learning Black Box [1.7534486934148554]
解釈可能性のアプローチは、ユーザが待つことなく、実行可能な洞察を提供するべきです。
本稿では,グローバルレベルとローカルレベルの両方で特徴的重要性のスコアを迅速に提供する解釈可能性アプローチである,アクセレーションモデル非依存説明(AcME)を提案する。
AcMEは機能ランキングを計算しますが、機能値の変化がモデル予測にどのように影響するかを評価するために、What-if分析ツールも提供しています。
論文 参考訳(メタデータ) (2021-12-23T15:18:13Z) - Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。
現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。
本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文 参考訳(メタデータ) (2021-06-14T20:48:48Z)
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。