.png){kind=icon}
返回
RLAX: A Reinforcement Learning-Based Framework for Explaining Anomalous Data
.png){kind=icon}
OA
AI
DOI：10.1007/s10994-026-07182-z.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从正常数据和异常数据中筛选出最具区分性的特征是一个巨大的挑战，因为需要处理由整个特征集的幂集所代表的巨大搜索空间。这些特征实际上编码了与选定观测值相关联的偏离行为的解释，并在许多应用场景（如网络安全、生物信息学和AI驱动的绿色发展等）中代表了分析师感兴趣的隐藏知识。本文提出了一种基于强化学习的算法RLAX，用于从高维数据集中检测解释。该算法接收未标记的正常实例数据集、少量标记的内点示例以及少量待解释的异常数据作为输入。正常样本与异常之间的分离通过基于距离的离群分数来衡量。所设计的强化学习策略可以诱导特征排序，从而隔离那些最大化分离精度的特征。除了“仅添加”的算法形式外，我们还研究了一种子空间细化策略，该策略通过添加“移除”和“停止”操作来扩展动作空间，从而实现非单调细化与自适应的早期终止。实验结果表明，返回的解释仅包含整个特征集的一小部分，且其关联的精度和子空间间隔具有显著的质量。对细化策略的进一步分析进一步阐明了其对探索效率和解释质量的影响。
Keyword:
Explainable AI
Anomaly explanation
Reinforcement learning
Feature selection
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:
2.9
论文数:
2.7K
被引数:
3.4W
机构
暂无机构信息
引用论文
分享收藏Why is this an anomaly? Explaining anomalies using sequential explanations为什么这是一个异常？使用顺序解释来解释异常.png)
PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI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