基于子空间的可解释性多变量异常检测

来源：计算机测量与控制杂志2022年第11期北京时间：

作者：宋润葵,郑扬飞,郭红钰,李倩

摘要：为了解决在多维特征数据中，部分异常点被分散的特征空间所掩盖而无法检出的问题，以及缓解当前异常检测方法的结果可解释性差或不具有可解释性的状况，提出了基于子空间的可解释性多变量异常检测算法；首先在多维特征空间中，对每一个维度的特征进行分布检验，在此基础上为每一个对象选择出一个特征空间的集合，进而为每个对象计算出异常值分数；在此过程中，高效利用算法的中间过程产物，来对算法结果加以解释，改善使用者对数据的理解；使用真实数据集，对算法进行了验证，实验结果表明其具有较好的准确性和运行时间，并很好的解释了异常点的异常性。

关键词：异常检测;可解释性;点异常;统计型数据;机器学习;无监督学习

基金资助：科技创新2030—“新一代人工智能”重大项目 (2020AAA0105100)