.png){kind=icon}
返回
Adversarial Anomaly Explanation
.png){kind=icon}
OA
AI
DOI：10.1007/s10796-025-10605-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
给定一个数据集和事先已知的单个异常对象，异常值解释问题旨在解释输入对象相对于数据集总体的异常性。本文为解决上述任务所采用的方法是寻找一种解释，即一段编码了将异常数据对象定位到远离正常数据特征的信息。我们的解释包含两个组成部分：选择，编码了异常对象与总体其余部分偏离的属性集；以及掩码，编码了相对于正常性的关联偏离量。这里的目标并非解释模型的决策过程，而是通过仅检查已做出决策的数据集，提供一种解释以证明决策过程输出的合理性。我们通过引入一种基于对抗学习范式的创新深度学习架构（称为MMOAM）来处理此问题。我们在合成数据集和真实数据集上评估了本技术的有效性，并将其与当前先进的异常值解释方法进行比较，在不同场景下报告了更优的性能。
Keyword:
Outlier explanation
Outlier aspect mining
Explainable artificial intelligence
Deep learning
Anomaly detection
Data explainability
期刊
IF:
8.3
论文数:
2.0K
被引数:
6.5K
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
Supporting Breast Cancer Diagnosis with Multi-objective Genetic Algorithm for Outlier Detection
PREAI
分享收藏分享收藏
查看更多内容