From Explanation to Action: An End-to-End Human-in-the-loop Framework for Anomaly Reasoning and Management

要約

【タイトル】説明からアクションへ：異常検知と管理のためのエンドツーエンドの人間インザループフレームワーク

【要約】
– 異常は、製造、医療、金融、監視など、さまざまなシステムの故障や非効率性の指標となることが多い。
– 効果的な検出アルゴリズムが存在するため、自律的な異常検出は実世界のシナリオでめったに使用されない。
– 特に、高いリスクがある場合には、検出以外の過程（検証やトラブルシューティングなど）に人間インザループが必要とされることがある。
– 本研究では、異常マイニングサイクルを包括的にサポートするエンドツーエンドのフレームワークであるALARM（Analyst-in-the-Loop Anomaly Reasoning and Management）を紹介する。
– 新しく発生した異常の非教師あり検出に加えて、人間インザループプロセス用の異常説明やインタラクティブなGUIを提供し、「ループ」を閉じるための、新しい検出ルールの設計によるアクションをサポートする。
– 金融業界の詐欺分析者との一連のケーススタディを通じて、ALARMの有効性を実証した。

要約(オリジナル)

Anomalies are often indicators of malfunction or inefficiency in various systems such as manufacturing, healthcare, finance, surveillance, to name a few. While the literature is abundant in effective detection algorithms due to this practical relevance, autonomous anomaly detection is rarely used in real-world scenarios. Especially in high-stakes applications, a human-in-the-loop is often involved in processes beyond detection such as verification and troubleshooting. In this work, we introduce ALARM (for Analyst-in-the-Loop Anomaly Reasoning and Management); an end-to-end framework that supports the anomaly mining cycle comprehensively, from detection to action. Besides unsupervised detection of emerging anomalies, it offers anomaly explanations and an interactive GUI for human-in-the-loop processes — visual exploration, sense-making, and ultimately action-taking via designing new detection rules — that help close “the loop” as the new rules complement rule-based supervised detection, typical of many deployed systems in practice. We demonstrate \method’s efficacy through a series of case studies with fraud analysts from the financial industry.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI