利用因果发现学习系统的正常因果图，通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上，我们的方法具有更高的训练效率，超越了最先进神经网络架构的准确性，并准确地识别了 10 种以上不同的异常。

Apr, 2024

深度学习方法在图像异常检测方面取得了突破，但其复杂性给了解为何实例被预测为异常带来了相当大的挑战。我们提出了一种新的解释方法，为每个异常生成多个反事实示例，捕捉了异常的不同概念。反事实示例是对异常的修改，被异常检测器视为正常。该方法提供了对触发异常检测器机制的高级语义解释，使用户能够探索 “假设情景”。在各种图像数据集上进行的定性和定量分析表明，该方法应用于最先进的异常检测器可以实现高质量的语义解释。

Feb, 2024

本文提出了一个可视化分析工作流程，以支持全局和局部解释的无缝转换，重点是基于时间序列分类的属性和反事实分析，通过采用本地 XAI 技术（归因），将其应用于传统数据集（图像，文本）来分析时间序列分类，进而生成全局概览。

Jul, 2023

该研究采用反事实推理方法，利用 MDI 算法实现多元时间序列的异常检测和异常事件的定位，应用于极端气候事件识别，取得了较高的准确性。

Sep, 2021

本文提出了一个用于在在线平台上检测和解释异常评论的流程。该流程由三个模块组成，可检测出无价值或恶意组合的评论，并提供分类的正常度评分和解释。通过对大型亚马逊数据库创建的不同数据集进行评估，证明了该流程解决异常检测任务的能力。此外，通过对 241 名参与者进行三种可解释性技术的比较研究，评估了可解释性模块的影响。该研究旨在衡量解释对被调查人重现分类模型以及其感知有用性的影响。这项工作对于自动化处理在线评论平台（如电子商务）中的任务，并为解决文本数据异常检测领域的类似问题提供了灵感。我们还认为，在检测异常评论等真实且罕见的场景中，进行了对不同解释技术能力的人类评估，这一点很有意义，同时也需要对是否可能解释这类主观任务进行思考。

Nov, 2023

文中提出了一种可以理解的概率异常检测器，可以通过高级概念描述其响应的原因，并且是首个将对象交互考虑在内并提供异常解释的任务。

Jun, 2021

该论文提出了一种名为 ProtoAD 的模型，使用基于示例的原型来解释深度模型中的正常模式状态，旨在提高深度模型的透明度和可理解性，进一步提高异常检测的精度和性能。

Jul, 2023

本篇论文介绍了针对时间序列数据异常检测的分类方法，并对传统和深度学习技术进行了评估和比较，为选择最适合特定应用设置的方法提供了指导，并提出了研究方向。

Sep, 2022

快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。

May, 2024

本文从因果关系的角度出发，将异常检测问题视为不遵循正常因果机制来生成多变量数据的实例，并提出了一种基于因果关系的框架来检测异常和根本原因。

Jun, 2022