이상점 해석 방법은 외부 측면 탐색에 기초하여 효과성과 해석 가능성 때문에 다양한 응용 분야에서 광범위하게 활용되어 왔습니다. 이러한 방법의 주요 목적은 탐지된 이상점이 내측점에서 가장 크게 벗어나는 외부 특징 하위 공간을 식별하는 것입니다. 그러나 이 하위 공간은 일반적으로 개인화되지 않고 불완전합니다. 이 기사에서는 탐지된 이상점을 해석하기 위해 전환 가능한 외부 측면 탐색 방법인 Mining convErtible ouTlying Aspect (META)를 제안합니다. META는 탐지된 이상점을 내측점과 구별하는 개인화된 외부 특징 하위 공간(즉, 어디서)을 식별할 뿐만 아니라, 이 하위 공간 내에서 외부 방향과 정도(즉, 어떻게)를 정량화하여 이상점을 이해하는 데 있어 교정 조치가 아닌 실행 가능한 해석 통찰을 제공합니다. 구체적으로, META는 탐지된 이상점을 변환된 인스턴스로 변환하는 전환 가능한 비용을 정의하고, 사전 훈련된 적대자를 활용하여 인스턴스가 내측점인지 여부를 평가합니다. 그 후, 우리는 변환 가능한 비용을 최소화하고 인스턴스가 내측점으로 성공적으로 변환되도록 하며, 외부 특징 하위 공간의 크기를 최소화하는 목표 함수를 공식화합니다. META는 이 목표 함수를 활용하여 탐지된 이상점을 위한 최적의 전환 가능한 외부 측면을 학습합니다. 최적의 전환 가능한 외부 측면은 외부 특징 하위 공간, 외부 방향, 외부 정도 및 변환된 인스턴스를 제공합니다. 실제 및 합성 데이터 세트에서 수행된 실험의 경험적 결과는 META가 최첨단(SOTA) 기준선을 일관되게 초월함을 보여줍니다.
Guan et al. (Thu,)는 이 질문을 연구했습니다.