Der Artikel präsentiert den Decision Tree Outlier Regressor (DTOR), eine neuartige Methode zur Erklärung von Anomalien in Datensätzen.
Zunächst wird die Bedeutung von Anomalieerkennung im Bankensektor und die Notwendigkeit von erklärbarer KI (XAI) in diesem Kontext erläutert. Verschiedene Anomalie-Erkennungsverfahren wie Isolation Forest, One-Class SVM und Gaussian Mixture Models werden vorgestellt.
Der Kern des Beitrags ist die Entwicklung des DTOR-Verfahrens. Dabei wird ein Decision Tree Regressor trainiert, um die von einem Anomalie-Erkennungsmodell generierten Anomalie-Scores zu schätzen. Durch Extraktion des Pfades, den der zu erklärende Datenpunkt im trainierten Entscheidungsbaum nimmt, können interpretierbare Regeln generiert werden.
Die Autoren vergleichen DTOR mit dem Anchors-Verfahren auf mehreren öffentlichen und einem privaten Datensatz. DTOR zeigt dabei eine vergleichbare oder sogar bessere Leistung in Bezug auf Präzision, Abdeckung und Ausführungszeit der Erklärungsregeln.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Riccardo Cru... at arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.10903.pdfDeeper Inquiries