Sep, 2022

混合数值和分类空间的异常检测解释方法

PDF
TL;DR本文地址了深度学习方法中非常规检测模型通常缺乏透明度的问题而建立了具有可解释性的 EADMNC 模型，并通过在输入数据中建立分类树的图形表示方法和模板方法提供先验和后验的解释，以提高对网络侵入检测的专家知识的拥有，检验对该领域实际数据的实验结果。
anomaly detectionexplainabilitymixed numerical and categorical spacespre hoc and post hoc explanationsnetwork intrusion detection
发现论文，激发创造
  • AcME-AD：用于异常检测的加速模型解释

    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

  • AMAD：基于对抗多尺度方法的高维时变分类数据异常检测

    本文提出了一个统一的端到端方法，通过结合 Adversarial Autoencoder 和 Recurrent Neural Network 的优势来解决时间演变数据、高维分类特征异常检测中多重分辨率的识别和监测问题。实验结果表明我们的方法优于现有技术。

    Jul, 2019

  • 透明异常检测的基于概念的解释

    透明异常检测概念解释（ACE）是一种基于深度学习技术的新方法，旨在提供可解释的异常检测结果，并能与人类有效交互，具有与黑盒模型相比更高或相当的性能，并可与其他基于分类的异常检测方法无缝集成。

    Oct, 2023

  • 超越熟悉特征的深度异常检测

    使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

    Oct, 2023

  • 一种用于移动网络故障分类的有监督嵌入和聚类异常检测方法

    利用 Supervised Embedding and Clustering Anomaly Detection (SEMC-AD) 方法，通过使用深度神经网络提取每个日志的数值表示，断代 One-hot 编码，评估嵌入的鲁棒性，并应用多元正态高斯聚类方法，实现高效异常检测及网络维护。

    Oct, 2023

  • 非欺骗性基于扰动的事后解释器

    本文研究如何对黑盒人工智能系统进行可解释性分析，提出了 CAD-Detect 和 CAD-Defend 两个算法来探测和防御对应的对抗性攻击，并使用 KNN-CAD 来进行条件异常值检测，实现了对真实数据中的 LIME 和 SHAP 可解释性算法的对抗攻击检测和缓解。

    May, 2022

  • 层次高斯混合正态流模型用于统一异常检测

    该研究提出了一种新颖的层次高斯混合归一化流建模方法，称为 HGAD，用于实现统一的异常检测。通过将不同类别的高斯混合建模应用于归一化流的潜在空间，避免了 “同质化映射” 问题，并通过最大化互信息损失进一步优化了潜在特征空间结构，从而在四个真实世界异常检测基准测试中显著改善了先前的基于归一化流的异常检测方法，并超越了 SOTA 统一异常检测方法。

    Mar, 2024

  • AD-MERCS: 无监督异常检测中的正常性和异常性建模

    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

  • 可解释的分类和混合数据机器学习及无损可视化

    本文主要研究了混合数据问题在机器学习中的应用，提出了可解释机器学习模型、数值编码方案、无损可视化以及顺序规则生成算法，以支持高准确性和可解释性的机器学习模型。

    May, 2023

  • X-CBA: 解释能助力 CatBoosted Anomal-E 用于入侵检测系统

    使用深度学习和图神经网络构建的可解释入侵检测系统（IDS）提供了高精度的网络攻击和异常识别方案。该研究通过利用网络流数据，结合边属性，改进检测能力，适应新型威胁，并提供清晰可行的解释分析结果，以促进机器学习和深度学习技术在网络安全防御中的广泛应用。

    Feb, 2024