Dec, 2023

基于谓词的关联规则：高效准确的模型无关异常解释

PDF
TL;DR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。
anomaly detectionexplainabilitytabular datapredicate-based association rulesmodel-agnostic
发现论文，激发创造
  • 使用特征子空间规则解释团体异常

    本论文提出了一种新的方法 x-PACS，用于解释异常模式，从而帮助分析师省略了分析各种异常模式的繁琐过程，同时可发现关键的、重复出现的异常模式，并通过实验证明该方法比现有方法更具解释性和有效性。

    Aug, 2017

  • 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

  • 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

  • PUPAE：直观且可操作的时间序列异常解释

    近年来，在时间序列异常检测方面取得了显著进展，然而，在检测到异常后，我们能够解释它吗？本文介绍了一种领域无关的反事实解释技术，用于产生时间序列异常的直观且可行动的可视化和基于文本的解释。

    Jan, 2024

  • 基于模式的文本分类器的争论性说明

    本文针对可解释模型的解释方法进行研究，提出了一种基于计算论证的 AXPLR 方法， 用于从特定的可解释模型 PLR 中提取易于理解的解释，并在人工智能协作方面进行了实证评估和两个实验的研究。

    May, 2022

  • PARIS: 概率关系、实例和模式对齐

    本研究介绍了 PARIS 方法，一种用于自动对齐本体论的方法，该方法综合考虑实例、关系和类别等多个层次的匹配程度，并基于概率估计来度量匹配程度，因此可以在无需调整参数的情况下运行，实验证明该算法具有高达 90％的精度。

    Nov, 2011

  • 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

  • ESC-Rules：可解释的、语义约束的规则集

    本文提出了一种基于学习模糊加权规则的可解释连续变量预测新方法，采用符号和非符号混合方法和领域知识约束来实现透明可解释性，并在预测吸烟戒断行为干预结果研究中展示出比其他可解释方法更好的性能。

    Aug, 2022

  • 可解释分类的 “或与与”，并应用于上下文感知推荐系统

    该文介绍了一种机器学习算法，用于构建包含少量析取合取式（或代数乘积的或）的分类器，并提供了两种概率模型以便形成模式集合。同时，他们也提供了两种可扩展的 MAP 推断方法，这些推断方法有助于预测有关车载上下文感知个性化推荐系统的用户行为。

    Apr, 2015

  • 解释，适应和重新训练：如何通过不同的解释风格提高 PPM 分类器的准确性

    本研究介绍了一种新的方法来解释为什么预测性过程监控 (PPM) 模型提供错误预测，并通过使用最先进的后期解释器获得的解释来在半自动化方式下识别导致预测产品出错的最常见特征，并减少这些特征的影响，提高预测模型的准确性，主要包括预测性过程监控、后期解释器、以结果为导向的预测、频繁的控制流模式和 DECLARE 约束。

    Mar, 2023