Robust and Explainable Contextual Anomaly Detection using Quantile Regression Forests

要約

従来の異常検出方法は、すべての特徴を同等に扱うことによって、他のほとんどのオブジェクトから逸脱しているオブジェクトを識別することを目的としています。
対照的に、コンテキスト異常検出方法は、機能をコンテキスト機能と動作機能に分割することにより、類似したオブジェクトのコンテキスト内で他のオブジェクトから逸脱するオブジェクトを検出することを目的としています。
この論文では、依存関係に基づく従来の異常検出方法とコンテキスト異常検出方法との間の接続を開発します。
得られた洞察に基づいて、クォンタイル回帰フォレストを使用して機能間の依存関係をモデル化する、堅牢で本質的に解釈可能なコンテキスト異常検出への新しいアプローチを提案します。
さまざまな合成データセットと現実世界のデータセットに関する広範な実験により、精度と堅牢性の観点からコンテキスト異常を識別する際に、当社の方法が最先端の異常検出方法よりも優れていることが実証されています。

要約(オリジナル)

Traditional anomaly detection methods aim to identify objects that deviate from most other objects by treating all features equally. In contrast, contextual anomaly detection methods aim to detect objects that deviate from other objects within a context of similar objects by dividing the features into contextual features and behavioral features. In this paper, we develop connections between dependency-based traditional anomaly detection methods and contextual anomaly detection methods. Based on resulting insights, we propose a novel approach to robust and inherently interpretable contextual anomaly detection that uses Quantile Regression Forests to model dependencies between features. Extensive experiments on various synthetic and real-world datasets demonstrate that our method outperforms state-of-the-art anomaly detection methods in identifying contextual anomalies in terms of accuracy and robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google