論文の概要: DTOR: Decision Tree Outlier Regressor to explain anomalies

• arxiv url: http://arxiv.org/abs/2403.10903v1
• Date: Sat, 16 Mar 2024 11:38:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 21:06:03.176980
• Title: DTOR: Decision Tree Outlier Regressor to explain anomalies
• Title（参考訳）: DTOR: 異常を説明するための決定木外部回帰器
• Authors: Riccardo Crupi, Alessandro Damiano Sabatino, Immacolata Marano, Massimiliano Brinis, Luca Albertazzi, Andrea Cirillo, Andrea Claudio Cosentini,
• Abstract要約: Decision Tree Outlier Regressor (DTOR) は、個々のデータポイントに対してルールベースの説明を生成する技術である。 本結果は,多数の特徴を持つデータセットにおいても,DTORの堅牢性を示すものである。
• 参考スコア（独自算出の注目度）: 37.50230205052128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explaining outliers occurrence and mechanism of their occurrence can be extremely important in a variety of domains. Malfunctions, frauds, threats, in addition to being correctly identified, oftentimes need a valid explanation in order to effectively perform actionable counteracts. The ever more widespread use of sophisticated Machine Learning approach to identify anomalies make such explanations more challenging. We present the Decision Tree Outlier Regressor (DTOR), a technique for producing rule-based explanations for individual data points by estimating anomaly scores generated by an anomaly detection model. This is accomplished by first applying a Decision Tree Regressor, which computes the estimation score, and then extracting the relative path associated with the data point score. Our results demonstrate the robustness of DTOR even in datasets with a large number of features. Additionally, in contrast to other rule-based approaches, the generated rules are consistently satisfied by the points to be explained. Furthermore, our evaluation metrics indicate comparable performance to Anchors in outlier explanation tasks, with reduced execution time.
• Abstract（参考訳）: 外乱の発生と発生のメカニズムを説明することは、様々な領域において非常に重要である。 誤動作、詐欺、脅迫は正しく識別されるだけでなく、効果的に行動可能な対策を実行するために有効な説明を必要とすることが多い。 異常を識別するための高度な機械学習アプローチを、これまで以上に広く利用することで、このような説明がより困難になる。 本稿では,異常検出モデルにより生成された異常スコアを推定することにより,個々のデータポイントに対する規則に基づく説明を生成する手法であるDTORを提案する。 これはまず、推定スコアを計算し、データポイントスコアに関連する相対パスを抽出する決定木回帰器を適用する。 本結果は,多数の特徴を持つデータセットにおいても,DTORの堅牢性を示すものである。 さらに、他の規則に基づくアプローチとは対照的に、生成された規則は説明すべき点によって一貫して満たされる。 さらに、我々の評価基準は、実行時間を短縮し、外乱説明タスクにおけるAnchorsに匹敵する性能を示す。

関連論文リスト

• Unsupervised Event Outlier Detection in Continuous Time [4.375463200687156]
  我々は、我々の知る限り、異常事象を検出するための最初の教師なし外乱検出手法を開発した。 我々は、実際のデータから修正されたデータを識別する'ディスクリミネータ'を用いて、データの異常値を補正する'ジェネレータ'を訓練する。 実験結果から,本手法は最先端手法よりも高精度にイベント異常を検出できることが示唆された。
  論文  参考訳（メタデータ） (2024-11-25T14:29:39Z)
• 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)
• Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
  因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。 既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。 根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
  論文  参考訳（メタデータ） (2023-12-19T03:24:26Z)
• PARs: Predicate-based Association Rules for Efficient and Accurate Model-Agnostic Anomaly Explanation [2.280762565226767]
  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。
  論文  参考訳（メタデータ） (2023-12-18T06:45:31Z)
• Interpretable Outlier Summarization [10.41121739124057]
  外乱検出は、ファイナンシャル不正の防止、ネットワーク侵入の防御、差し迫ったデバイス障害の検出など、実際のアプリケーションにおいて極めて重要である。 本稿では,人間の理解可能なルールのコンパクトな集合を学習し,異常検出結果の要約と説明を行うSTAIRを提案する。 以上の結果から,STAIRは外乱検出結果の要約に要するルールの複雑さを著しく低減することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-11T00:53:49Z)
• 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)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Dependency-based Anomaly Detection: a General Framework and Comprehensive Evaluation [33.31923133201812]
  本稿では,依存性に基づく異常検出(DepAD)を提案する。 DepADは教師なしの異常検出を教師付き特徴選択と予測タスクとして再設定する。 2つのDepADアルゴリズムは、幅広いデータセットを扱うオールラウンドと優れたパフォーマーとして登場します。
  論文  参考訳（メタデータ） (2020-11-13T01:39:44Z)
• 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)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。