AcME-AD:用于异常检测的加速模型解释
本文首次在工业环境中应用 AcME-AD,实验证明其作为工业环境下可信且可操作洞察力的有价值工具,通过提供模型无关且灵活的快速用户友好解释,以及基于特征的根本原因分析,为支持行动决策提供支持,为透明度不足、洞察力无法转化为可操作决策的挑战提供解决方案,特别适用于与人为中心的演进工业时代。
Apr, 2024
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
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
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。
Sep, 2022
提出了一种用于从较便宜的弱 / 噪声标签中学习的 ADMoE 方法,该方法通过 MoE 构架鼓励专业和可扩展的学习,并通过构建 “专家” 子网络来鼓励专业化,在 8 个数据集中有效地使用,可以提高 34%的性能。
Aug, 2022
LLMAD 是一种新的时间序列异常检测方法,采用大语言模型(LLMs)提供准确而可解释的结果,通过在上下文中的检测来检索正面和负面的相似时间序列片段,并采用 Anomaly Detection Chain-of-Thought(AnoCoT)方法模仿专家逻辑进行决策过程,为用户决策提供解释。
May, 2024
我们的研究利用可解释的人工智能(XAI)和差分隐私(DP)之间的权衡,通过 SHapley Additive exPlanations (SHAP) 和差分隐私 (DP) 进行异常检测(AD),并对不同的模型和各种数据集进行了全面评估,结果显示,隐私保护对检测准确性和可解释性有显著影响,这取决于数据集和所考虑的异常检测模型,同时我们 还发现,AD 算法的选择也会影响解释的可视化。
Apr, 2024
我们提出了情景适应性异常检测(SA2D)方法,利用少样本学习框架对预训练模型进行快速适应新概念。为了解决数据集的缺乏问题,我们引入了多情景异常检测(MSAD)数据集,包括从各种摄像机角度捕获的 14 个不同情景,背景中包含挑战性的变化。通过实验证明了 SA2D 的有效性,尤其是在 MSAD 数据集上进行训练。这突出了我们的方法在检测不同和不断发展的监控情景中的异常的挑战中的潜力。
Feb, 2024
本研究提出了一种名为 MEAD 的多臂架构,用于评估基于多种攻击策略的检测器,并说明了该方法的有效性和现有检测器的不足表现,从而打开了一条新的研究领域。
Jun, 2022