Explainable Contextual Anomaly Detection using Quantile Regression Forests

要約

従来の異常検知手法は、全ての特徴を同等に扱うことで、他のほとんどのオブジェクトから逸脱したオブジェクトを識別することを目的としている。対照的に、文脈的異常検知手法は、特徴を文脈的特徴と行動的特徴に分けることで、類似したオブジェクトの文脈の中で、他のオブジェクトから逸脱したオブジェクトを検知することを目的とする。本論文では、依存関係に基づく従来の異常検知手法とコンテキストに基づく異常検知手法との間の接続を開発する。その結果得られた洞察に基づき、特徴間の依存関係をモデル化するために量子回帰フォレストを用いる、本質的に解釈可能な文脈的異常検知への新しいアプローチを提案する。様々な合成データセットと実世界データセットを用いた広範な実験により、本手法が文脈異常の識別において、精度と解釈可能性の点で最先端の異常検知手法を上回ることを実証する。

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 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 interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL