本文探讨了如何使用反事实解释（Counterfactual Explanation, CE）改进异常检测，尤其是图像异常检测。作者首次将CE应用于异常检测领域，通过生成反事实实例来解释异常检测器的决策，提供语义上的理解。方法包括解纠缠反事实解释，生成器被训练以最小化对原始异常样本的改变，同时保持其被检测器判断为正常。实验在MNIST、CIFAR-10、Colored-MNIST和GTSDB数据集上进行，结果显示反事实实例能够有效揭示异常检测的分类偏差，提供更深入的模型解释。"
88757073,6209734,PyTorch中scatter_函数错误解决：Invalid index,"['PyTorch', '张量操作', '错误调试', '深度学习', '数据预处理']
论文题目：Reimagining Anomalies: What If Anomalies Were Normal?
论文链接：https://arxiv.org/pdf/2402.14469.pdf
基于深度学习的方法在图像异常检测方面取得了突破，但它们的复杂性给理解为什么一个实例被预测为异常带来了相当大的挑战。
这种不可解释性在安全部门和需要建立信任或防止社会偏见的场景中尤其令人关切。
尽管异常热图等特征归因技术已被研究探索，但它们不能解释一个样本为什么被模型判定为异常的的相关语义特征。
反事实解释（Counterfactual Explain, CE）作为一种流行的替代方法，其生成的合成样本可以在对原始样本进行最小改变的情况下改变模型的预测。
在这篇文章中，作者使用CE来解释异常检测器，这是第一个将CE用于异常检测领域的研究。
通过生成异常的反事
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
