Interpretable Anomaly Detection via Discrete Optimization

要約

異常検出は、サイバー セキュリティ、法執行機関、医療、詐欺防止など、多くのアプリケーション ドメインで不可欠です。
ただし、現在の深層学習アプローチの意思決定は、理解するのが難しいことで有名であり、実際の適用性が制限されることがよくあります。
この制限を克服するために、シーケンシャル データから本質的に解釈可能な異常検出器を学習するためのフレームワークを提案します。
より具体的には、ラベルのないシーケンスの特定のマルチセットから決定論的有限オートマトン (DFA) を学習するタスクを検討します。
この問題が計算的に難しいことを示し、制約の最適化に基づく 2 つの学習アルゴリズムを開発します。
さらに、DFA の全体的な解釈可能性を向上させる最適化問題に新しい正則化スキームを導入します。
プロトタイプの実装を使用して、私たちのアプローチが精度と F1 スコアの点で有望な結果を示していることを示します。

要約(オリジナル)

Anomaly detection is essential in many application domains, such as cyber security, law enforcement, medicine, and fraud protection. However, the decision-making of current deep learning approaches is notoriously hard to understand, which often limits their practical applicability. To overcome this limitation, we propose a framework for learning inherently interpretable anomaly detectors from sequential data. More specifically, we consider the task of learning a deterministic finite automaton (DFA) from a given multi-set of unlabeled sequences. We show that this problem is computationally hard and develop two learning algorithms based on constraint optimization. Moreover, we introduce novel regularization schemes for our optimization problems that improve the overall interpretability of our DFAs. Using a prototype implementation, we demonstrate that our approach shows promising results in terms of accuracy and F1 score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google