Contribution to Anomaly Detection and Explanation
Contribution à la détection et à l'explication d'anomalies
Résumé
This Ph.D. thesis focuses on anomaly explanation, which has been much less explored in the literature than the explanation of neural networks and classifiers outputs. Its first contribution is a taxonomy of anomaly explanation methods based on the information conveyed by the explanation. Its second contribution is a model-specific anomaly explanation method, called CADI, and relying on a revisited version of the Isolation Forest algorithm. Whereas a classic Isolation Forest only identifies the anomalies, CADI also clusters the regular instances, then positions and explains each anomaly in relation these groups of regular instances without relying on external algorithms and without increasing the complexity of the original method too much. It therefore tackles three problems with a unified method: anomaly detection, clustering and anomaly explanation. Experiments conducted on real-world and synthetic data sets demonstrate the effectiveness and the robustness of the approach when compared to state-of-the-art approaches realizing each of the three tasks separately.
Cette thèse de doctorat se concentre sur l'explication des anomalies, problématique qui a été beaucoup moins explorée dans la littérature que l'explication des sorties des réseaux de neurones et des classifieurs. Sa première contribution est une taxonomie des méthodes d'explication des anomalies basée sur la nature de l'information qu'elle véhicule. La deuxième contribution est une méthode spécifique d'explication des anomalies, appelée CADI et reposant sur une version revisitée de l'algorithme des forêts d'isolation. Alors qu'une forêt d'isolation classique n'identifie que les anomalies, CADI reconstruit également une partition des instances régulières, puis positionne et explique chaque anomalie par rapport à ces groupes de régularités, tout ceci sans s'appuyer sur des algorithmes externes et sans trop rajouter de complexité à la méthode originale. Elle s'attaque par conséquent à trois problèmes avec une méthode unifiée : la détection des anomalies, le partitionnement et l'explication des anomalies. Des expériences menées sur des jeux de données réels et synthétiques démontrent l'efficacité et la robustesse de l'approche par rapport aux approches dédiées à l'une de ces trois tâches.
Origine : Fichiers produits par l'(les) auteur(s)