通过综述研究,探究了在复杂数据集中深度学习方法在异常检测中的应用,分析了常见方法的共性原理、常见假设以及经验评估,并提出了对未来研究的挑战和方向。
Sep, 2020
文章提供了一个基于可解释性和解释性方法的误差检测通用方法,并使用集成梯度方法来减少Attribution Error。
Jul, 2022
本文提出了一种无监督方法AD-MERCS,旨在利用正常和异常模式来检测异常。该方法识别出多个子空间,以及识别出在这些模式之外的特征,能够对多种异常进行有效的检测,并能够通过在低维子空间中的模式和特征提供异常检测的简单解释。
May, 2023
本文提出了一种利用非参数转换器的深度异常检测方法,该方法运用了一种重构框架来能够重构正常样本的被遮蔽特样本并生成异常分数,并在大量表格数据集上进行了评估,优于现有的最优方法,为探索NPT在表格数据上的潜力提供了新的思路。
通过多个实验我们发现自我监督学习在表格数据的异常检测方面并没有改善,这是因为神经网络引入了无关特征,降低了异常检测器的效果,但我们演示了利用神经网络表示的子空间可以恢复性能。
Sep, 2023
该研究介绍了一种用于有效且准确的模型无关异常解释的新方法,使用基于谓词的关联规则(PARs)来解释表格数据中的异常,通过用户研究证明,该方法比现有的模型无关解释选项更易理解和受欢迎,并通过在各种基准数据集上的实验证明PARs在计算效率和解释准确性上与最先进的模型无关方法相比具有竞争优势。
Dec, 2023
使用检索增强模型进行表格数据的异常检测,通过选择相关样本来帮助目标样本的重建过程,以非参数关系提高性能。
Jan, 2024
AcME-AD是一种基于可解释人工智能原则的新型方法,旨在提高数据异常检测模型的解释性和可靠性,通过提供本地特征重要性评分和what-if分析工具来揭示每个异常的因素,从而帮助解决原因分析和决策问题。
Mar, 2024
通过估算异常检测模型产生的异常分数,我们提出了决策树离群值回归器(DTOR),这是一种用于为单个数据点生成基于规则的解释的技术。我们的结果表明,DTOR在具有大量特征的数据集中表现出良好的鲁棒性,并且与其他基于规则的方法相比,生成的规则一致满足要解释的数据点。此外,我们的评估指标表明,在异常解释任务中,DTOR的性能与Anchors相当,且执行时间较短。
利用大型语言模型(LLMs)来检测表格异常,并展示了预训练的LLMs在零样本批量级异常检测方面的效果,同时提出了一种简单但有效的数据生成过程和端到端微调策略来对齐LLMs检测真实异常的潜力。
Jun, 2024