産業プロセスにおける透過的かつ効率的な異常検出のための ExIFFI

arXiv:2405.01158v3 発表型：置換 要約：産業環境における異常検出（Anomaly Detection: AD）は、根本的な問題を検出して作業を効率化する際に不可欠です。従来の手法は観測値を正常または異常とだけラベル付けし、重要な洞察を提供しないままです。インダストリー 5.0 では、ユーザーがモデルの意思決定の根拠を理解できるようにするため、解釈可能な結果が望ましくなります。本論文では、拡張分離森（Extended Isolation Forest: EIF）に基づく異常検出手法に対する迅速で効率的な説明のための最近の手法である ExIFFI の最初の産業応用例を提示します。ExIFFI は 3 つの産業データセットでテストされ、説明の効果、計算上の効率性、および生異常検出性能の改善の superior な性能を示しました。この研究で考慮されたすべてのベンチマークにおいて、ExIFFI は平均精度の 90% を超え、また機能選択プロキシタスクメトリックという説明を定量的に評価するために特定の目的で導入された指標において、状態の最も優れた技術（state-of-the-art）である解釈可能な人工知能（XAI）のアプローチを凌駕しました。

arXiv:2405.01158v3 Announce Type: replace Abstract: Anomaly Detection (AD) is crucial in industrial settings to streamline operations by detecting underlying issues. Conventional methods merely label observations as normal or anomalous, lacking crucial insights. In Industry 5.0, interpretable outcomes become desirable to enable users to understand the rational under model decisions. This paper presents the first industrial application of ExIFFI, a recent approach for fast, efficient explanations for the Extended Isolation Forest (EIF) AD method. ExIFFI is tested on three industrial datasets, demonstrating superior explanation effectiveness, computational efficiency and improved raw anomaly detection performances. ExIFFI reaches over then 90\% of average precision on all the benchmarks considered in the study and overperforms state-of-the-art Explainable Artificial Intelligence (XAI) approaches in terms of the feature selection proxy task metric which was specifically introduced to quantitatively evaluate model explanations.