Mar, 2023

可解释的异常值汇总

PDF
TL;DR本文提出了一种名为 STAIR 的算法，其为大规模、高维数据集中的异常检测结果学习了一组人类可理解的规则，使得机器可以自动从异常数据中提取出可操作的见解。STAIR 算法不同于传统的决策树算法，其以最小化复杂度的优化目标，通过递归式划分现有规则来产生简洁、易于理解的规则集。此外，我们还提出了一种名为 L-STAIR 的本地化 STAIR 算法，以同时处理高维、高复杂度的数据集。实验结果表明，STAIR 算法相对于决策树方法，能够显著减少用于总结异常检测结果的规则复杂度，从而更适合人工评估。
outlier detectionstairinterpretable summarizationsdecision treelocalized stair
发现论文，激发创造
  • 从数据中学习不变的规则，用于可解释的异常检测

    该论文提出了一种利用机器学习和数据挖掘技术自动学习不变规则的新框架，可以提供明确的异常检测结果解释并在实际应用决策中发挥重要作用。实验评估表明，该方法在多个应用领域的公共基准数据集上的性能优于先前的异常检测模型。

    Nov, 2022

  • 上下文离群值解释

    本文提出了一种名为 COIN 的解释方法，可以从异常得分、有助于异常性的属性和周边情境描述三个方面解释现有检测异常值的异常性，并对各种类型数据集进行了实验，展示了 COIN 框架相对于现有解释方法的灵活性和有效性。

    Nov, 2017

  • 多样化的规则集

    该研究提出了一种新方法来推断不同的规则集，通过在 Max-Sum 多样化框架下优化决策规则之间的小重叠，以及在鉴别品质和规则集多样性之间最大化加权总和，来克服联想规则指数级搜索空间的困难。该算法通过随机采样高度鉴别且重叠小的规则，并证明其拥有更好的预测能力和解释性。

    Jun, 2020

  • 高维数据的异常检测

    本文提出了一种名为 stray 的算法，使用基于极值理论的方法计算异常值阈值，针对 HDoutliers 算法的局限性进行改进，可以在准确性和计算时间上优于 HDoutliers 算法，对于数据结构中存在的异常值，使用特征工程进行检测，已在开源 R 包 stray 中实现。

    Aug, 2019

  • 可解释分类规则的高效学习

    本文介绍了一种名为 IMLI 的基于最大可满足性的可解释学习框架，通过结合小批量学习和迭代规则学习的方法，实现了分类规则的合成。实验结果表明，IMLI 在预测准确性、可解释性和可伸缩性之间取得了最好的平衡，并用于学习流行的可解释分类器，如决策列表和决策集。

    May, 2022

  • 通过规则提取实现可解释性随机森林

    SIRUS 是一种稳定的规则学习算法，采用简单的规则列表，结合了随机森林和稳定性，以实现回归分析和决策可解释性。

    Apr, 2020

  • 基于概率距离的离群点检测

    研究提出了一种将基于距离的异常点检测得分转化为可解释的概率估计的方法，其利用数据点之间的距离概率分布将距离得分转换为异常点概率，实验结果显示这种概率转换不影响检测性能，但可产生具有增强对比度的可解释的异常点分数。

    May, 2023

  • Summit: 通过可视化激活和归因汇总来扩展深度学习的解释性

    本研究提出了一种交互式系统 Summit，它使用可扩展的汇总和可视化技术，发现和总结神经网络模型的功能和如何交互以做出预测，从而帮助用户将复杂深度学习模型转化为紧凑而易于理解的可视化，同时可以发现神经网络对于海量图片分类的表示学习进行多方面的分析和未来架构设计的指导。

    Apr, 2019

  • 离散优化的可解释异常检测

    提出从序列数据中学习可解释异常检测器的框架，采用确定性有限自动机 (DFA) 作为模型，并通过约束优化算法和正则化策略提高模型的可解释性和准确性。

    Mar, 2023

  • 通过自动化和模型无关的规则提取实现区域可解释性

    在可解释人工智能（Explainable AI）中，我们提出了一种模型无关的方法，用于从特定的数据子组中提取规则。该方法通过自动生成数字特征规则，增强了机器学习模型的区域可解释性，并在高维空间中降低了计算成本。在各种数据集和模型的实验中，我们的方法表现出了很好的效果。

    Jun, 2024