論文の概要: PARs: Predicate-based Association Rules for Efficient and Accurate
Model-Agnostic Anomaly Explanation
- arxiv url: http://arxiv.org/abs/2312.10968v1
- Date: Mon, 18 Dec 2023 06:45:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 21:04:33.071441
- Title: PARs: Predicate-based Association Rules for Efficient and Accurate
Model-Agnostic Anomaly Explanation
- Title（参考訳）: pars: 効率的かつ正確なモデル非依存な説明のための述語に基づく連想規則
- Authors: Cheng Feng
- Abstract要約: 述語型アソシエーションルール(PAR)を用いた効率的かつ正確なモデル非依存的異常説明のための新しいアプローチを提案する。
ユーザ調査により, PARの異常説明形式は, 通常の異常検出システムではよりよく理解され, 好まれることが明らかとなった。
- 参考スコア（独自算出の注目度）: 2.280762565226767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While new and effective methods for anomaly detection are frequently
introduced, many studies prioritize the detection task without considering the
need for explainability. Yet, in real-world applications, anomaly explanation,
which aims to provide explanation of why specific data instances are identified
as anomalies, is an equally important task. In this work, we present a novel
approach for efficient and accurate model-agnostic anomaly explanation for
tabular data using Predicate-based Association Rules (PARs). PARs can provide
intuitive explanations not only about which features of the anomaly instance
are abnormal, but also the reasons behind their abnormality. Our user study
indicates that the anomaly explanation form of PARs is better comprehended and
preferred by regular users of anomaly detection systems as compared to existing
model-agnostic explanation options. Furthermore, we conduct extensive
experiments on various benchmark datasets, demonstrating that PARs compare
favorably to state-of-the-art model-agnostic methods in terms of computing
efficiency and explanation accuracy on anomaly explanation tasks. The code for
PARs tool is available at https://github.com/NSIBF/PARs-EXAD.
- Abstract（参考訳）: 異常検出のための新しい効果的な手法が頻繁に導入されているが、多くの研究は説明可能性を考慮することなく検出課題を優先している。
しかし、現実世界のアプリケーションでは、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説明も同じように重要なタスクである。
本稿では,述語に基づく連想規則(pars)を用いた表データに対して,効率良く正確なモデル非依存的異常説明を行うための新しい手法を提案する。
PARは、異常なインスタンスのどの特徴が異常であるかだけでなく、異常の原因についても直感的な説明を提供することができる。
本研究は, 従来のモデルに依存しない説明オプションと比較して, PARsの異常説明形式は, 異常検出システムの常用ユーザの方が好適であることが示唆された。
さらに,様々なベンチマークデータセットに対する広範な実験を行い,計算効率と異常説明タスクの説明精度の観点から,PARが最先端のモデルに依存しない手法に好適に比較できることを実証した。
PARsツールのコードはhttps://github.com/NSIBF/PARs-EXADで公開されている。
関連論文リスト
- Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。
画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文 参考訳（メタデータ） (2024-10-14T08:41:31Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳（メタデータ） (2023-11-13T02:54:17Z) - Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。
現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。
本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
論文 参考訳（メタデータ） (2023-11-12T13:25:28Z) - Few-shot Anomaly Detection in Text with Deviation Learning [13.957106119614213]
偏差学習を用いたエンドツーエンド手法で異常スコアを明示的に学習するフレームワークであるFATEを紹介する。
本モデルは,マルチヘッド・セルフアテンション・レイヤと複数インスタンス・ラーニング・アプローチを用いて,異常の異なる振る舞いを学習するために最適化されている。
論文 参考訳（メタデータ） (2023-08-22T20:40:21Z) - 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) - 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) - Diverse Counterfactual Explanations for Anomaly Detection in Time Series [26.88575131193757]
本稿では,時系列異常検出モデルに対する反実的アンサンブル説明を生成するモデル非依存アルゴリズムを提案する。
本手法は, 検出モデルでは異常とはみなされない, 元の時系列の複数バージョンを, 多様な逆実例として生成する。
我々のアルゴリズムは、任意の識別可能な異常検出モデルに適用できる。
論文 参考訳（メタデータ） (2022-03-21T16:30:34Z) - 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) - Self-Attentive Classification-Based Anomaly Detection in Unstructured
Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。
従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文 参考訳（メタデータ） (2020-08-21T07:26:55Z)
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。