.png){kind=icon}
返回
Explaining anomalies through semi-supervised Autoencoders
.png){kind=icon}
OA
AI
DOI：10.1016/j.array.2025.100537.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究致力于解决设计可解释的异常检测器问题，这些检测器能为输入数据观测中的异常行为提供可理解的解释。具体而言，我们采用热力图作为解释，其中热力图可被视为一组特征得分。为解释异常，我们提出的方法（称为AE–XAD1，即基于自编码器的可解释异常检测）扩展了一种近期引入的自编码器架构的半监督变体。我们提案的主要思想是利用重建误差策略来检测偏离特征。与标准自编码器不同，它利用一种半监督损失，旨在最大化异常特征的重建与原始值之间的距离。通过此策略，我们的方法能在训练期间仅使用少量异常样本，学习隔离输入观测中的异常部分。实验结果表明，AE–XAD在解释不同场景中的异常时表现出高性能，同时保持最小的CO2排放量，展示了一种不仅高效且环保的设计。
Keyword:
Explainable Artificial Intelligence
Anomaly detection
Explainability by design
Green-aware AI
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.5
论文数:
942
被引数:
1.2K
机构
暂无机构信息
引用论文
Explaining Deep Neural Networks and Beyond: A Review of Methods and Applications解释深度神经网络及其以后: 方法和应用综述.png)
PROCEEDINGS OF THE IEEEOAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation通过逐层相关性传播对非线性分类器决策的逐像素解释PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏Composite score for anomaly detection in imbalanced real-world industrial datasetMACHINE LEARNING
MACHINE LEARNINGIF2.9
PREAI
分享收藏Explaining outliers and anomalous groups via subspace density contrastive loss通过子空间密度对比损失解释异常值和异常组MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容