AcME-AD: Accelerated Model Explanations for Anomaly Detection

要約

異常検知における高速かつロバストな解釈可能性を追求することは、特に実用的なアプリケーションにおける重要性から極めて重要である。伝統的な異常検知手法は異常値識別に優れていますが、しばしばブラックボックス化され、その意思決定プロセスに関する洞察はほとんど提供されません。この透明性の欠如は信頼性を損ない、異常検知の背後にある理由を理解することが重要なシナリオでの採用を妨げる。同時に、実用的なシナリオでは、説明を素早く得ることが最も重要である。このギャップを埋めるために、我々は、表形式データの異常検知モデルを明確にするために設計された、説明可能な人工知能の原理に根ざした新しいアプローチであるAcME-ADを提示する。AcME-ADは、相互運用性のためにモデルにとらわれない効率的なソリューションを提供することで、モデル固有の、あるいはリソースを大量に必要とする説明可能性技術の制約を超越する。AcME-ADは、ローカルな特徴重要度スコアとwhat-if分析ツールを提供し、各異常の要因に光を当てることで、根本原因の分析と意思決定を支援する。本論文では、AcME-ADの基礎と既存の手法に対する利点を明らかにし、合成データセットと実データセットの両方でテストを行い、その有効性を検証する。AcME-ADの実装と実験レプリケーションコードは公開リポジトリでアクセス可能である。

要約(オリジナル)

Pursuing fast and robust interpretability in Anomaly Detection is crucial, especially due to its significance in practical applications. Traditional Anomaly Detection methods excel in outlier identification but are often black-boxes, providing scant insights into their decision-making process. This lack of transparency compromises their reliability and hampers their adoption in scenarios where comprehending the reasons behind anomaly detection is vital. At the same time, getting explanations quickly is paramount in practical scenarios. To bridge this gap, we present AcME-AD, a novel approach rooted in Explainable Artificial Intelligence principles, designed to clarify Anomaly Detection models for tabular data. AcME-AD transcends the constraints of model-specific or resource-heavy explainability techniques by delivering a model-agnostic, efficient solution for interoperability. It offers local feature importance scores and a what-if analysis tool, shedding light on the factors contributing to each anomaly, thus aiding root cause analysis and decision-making. This paper elucidates AcME-AD’s foundation, its benefits over existing methods, and validates its effectiveness with tests on both synthetic and real datasets. AcME-AD’s implementation and experiment replication code is accessible in a public repository.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL