可解释的图异常检测与梯度关注图
本文提出了一个新的自监督多元时间序列异常检测框架,使用图注意力层显式地捕获时间序列之间的关系,并结合预测 和重构的方法来获得更好的时间序列表示,实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。
Sep, 2020
本文提出了一种基于图的异常检测框架 DyGATAD,利用注意机制构建多变量时间序列的连续图表示,并推断时间序列之间的动态边。DyGATAD 结合了基于操作条件感知的重构和基于拓扑的异常评分,从而增强了对关系变化的检测能力,在传感器网络中展示了卓越的集体异常检测性能,尤其在最小严重度故障的早期检测方面表现出特殊优势。
Jul, 2023
本文提出了一种基于信息瓶颈原理的图随机注意力方式,用于解释学习过程中选择任务相关亚图,并保证这些亚图中不包含与任务不相关的模式,并在 8 个数据集上进行了广泛的实验,结果表明该方法比现有方法在解释和预测准确度上都有更好的表现。
Jan, 2022
该研究提出了一种基于注意力机制的深度神经网络模型解释方法,通过可视化生成的热图分析分类准确性和注意力之间的关系,并证明了使用改进注意力方法可以更好的展示分类器的解释。
Jan, 2019
提出了一种通过应用语义关注来增强图神经网络 (GNN) 模型的可解释性的方法,介绍了语义信息的扰动以及预测的特征重要性权重和模型准确性之间的相关性,应用于 Lidar 点云估计模型成功地识别出有助于提高性能的关键语义类别,从而有效生成可靠的事后语义解释。
Aug, 2023
提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法,通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析,在真实世界传感器数据集实验中,该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。
Jun, 2021
本文提出了一种基于梯度的注意力机制技术,用于解释变分自编码器(VAE)及其预测,该技术通过生成学习到的潜在空间的视觉注意力,可用于图像中异常的定位,并能融入模型训练来帮助改善潜在空间分解,这在 MVTec-AD 和 Dsprites 数据集上表现出了最先进的性能。
Nov, 2019
提出了一种基于路径感知的图形注意力机制,用于对高清地图进行编码,以帮助自主驾驶汽车预测路径,并在 Argoverse Motion Forecasting 数据集上取得了最优结果。
Feb, 2022