Açıklanabilir Otomatik Kodlayıcı Anomali Tespiti
Explainable Autoencoder-Based Anomaly Detection (XAI-augmented Reconstruction Error) · Ayrıca şöyle bilinir: XAI autoencoder anomaly detection, interpretable autoencoder anomaly detection, explainable deep anomaly detection, SHAP-autoencoder anomaly detection
Açıklanabilir Otomatik Kodlayıcı Anomali Tespiti, standart bir otomatik kodlayıcı tabanlı anomali dedektörünü, her bir gözlem için anomali işaretini hangi girdi özelliklerinin tetiklediğini belirleyen bir yorumlanabilirlik katmanıyla (SHAP değerleri veya özelliğe dayalı yeniden yapılandırma hatası ayrıştırması gibi) güçlendirir. Bu sayede, opak bir yeniden yapılandırma hatası skoru, eyleme geçirilebilir, insan tarafından okunabilir bir açıklamaya dönüşür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Açıklanabilir Otomatik Kodlayıcı Anomali Tespitini şu durumlarda kullanın: (1) ağırlıklı olarak etiketlenmemiş verileriniz varsa ve öğrenilmiş normal bir düzenden sapmaları tespit etmeniz gerekiyorsa; (2) paydaşlar, düzenleyiciler veya alan uzmanları her uyarının yanında sadece bir skor değil, açıklamalar da talep ediyorsa; (3) veriler yüksek boyutlu veya çok değişkenli ise ve özellik düzeyinde atama operasyonel olarak değerliyse (örneğin, ağ saldırısı adli analizi, kestirimci bakım kök neden analizi, tıbbi sensör anomalileri). Etiketli anomali verisi bol olduğunda kullanmayın — denetimli sınıflandırıcılar bu yöntemi geride bırakacak ve aynı zamanda doğal açıklanabilirlik sağlayacaktır. Yeniden yapılandırma darboğazı normal varyasyonu yakalamak için çok küçük olduğunda, yanlış pozitifler ürettiğinde veya derin ağları eğitmenin hesaplama maliyeti altyapınız için çok yüksek olduğunda kaçının.
Güçlü yönler & sınırlılıklar
- Etiketli anomali örnekleri olmadan çalışır, bu da anomalilerin nadir veya önceden tanımlanmamış olduğu durumlarda uygulanabilir olmasını sağlar.
- Özellik başına yeniden yapılandırma hatası, ayrı bir vekil modele ihtiyaç duymadan yerleşik, modele içkin bir açıklama sağlar.
- SHAP veya LIME katmanları, işaretlenen her gözlem için tutarlı, teorik olarak temellendirilmiş Shapley değeri atamaları üretebilir.
- Klasik mesafe tabanlı dedektörlerin performansının düştüğü yüksek boyutlu verilere (görüntüler, zaman serileri, sensör dizileri) ölçeklenebilir.
- Esnek mimari: VAE'ler, LSTM-otomatik kodlayıcılar ve evrişimsel otomatik kodlayıcılar, çerçeveyi dizi ve uzamsal verilere genişletir.
- Yeniden yapılandırma hatası eşiğini seçmek önemsiz değildir ve hassasiyet ile geri çağırmayı güçlü bir şekilde etkiler; kötü bir seçim birçok yanlış pozitife veya kaçırılan anomaliye yol açar.
- Sonradan yapılan SHAP açıklamaları yaklaşık değerlerdir ve hafifçe farklı otomatik kodlayıcı çalıştırmaları arasında kararsız olabilir.
- Derin bir otomatik kodlayıcıyı eğitmek, Isolation Forest gibi sığ anomali dedektörlerinden daha fazla veri, hesaplama ve ayarlama uzmanlığı gerektirir.
- Öğrenilen 'normal' kavramı, eğitim verisi kadar iyidir; kirlenmiş eğitim verisi hem tespiti hem de açıklamaları bozar.
SSS
Bu, basit bir otomatik kodlayıcı anomali dedektöründen nasıl farklıdır?
Basit bir dedektör yalnızca bir anomali skoru çıkarır. Açıklanabilir varyant, her işaretli örnek için skoru eşiğin üzerine çıkaran belirli özellikleri gösteren bir ayrıştırma adımı — özellik başına yeniden yapılandırma hatası veya SHAP/LIME atamaları — ekler.
Hangi XAI yöntemi otomatik kodlayıcılarla en iyi çalışır?
Özellik başına yeniden yapılandırma hatası en basit ve en yorumlanabilir içsel açıklamadır ve her zaman raporlanmalıdır. SHAP (Kernel SHAP veya DeepSHAP) teorik olarak temellendirilmiş Shapley değerleri sağlar ancak hesaplama maliyetini artırır. LIME, hafif bir doğrusal vekil alternatif sunar. Doğru seçim, gereken açıklama derinliğine ve mevcut hesaplama gücüne bağlıdır.
Anomali eşiğini nasıl seçerim?
Otomatik kodlayıcıyı normal eğitim verileri üzerinde eğitin, ayrılmış normal bir doğrulama kümesi üzerinde yeniden yapılandırma hatası dağılımını hesaplayın ve eşiği yüksek bir yüzdelik dilimde (örneğin, 95. veya 99.) ayarlayın. Etiketli anormallikler mevcutsa, F1'i veya iş açısından ilgili hassasiyet-geri çağırma dengesini maksimize etmek için eşiği ayarlayın.
Bu yöntem zaman serisi verilerinde kullanılabilir mi?
Evet. Standart ileri beslemeli otomatik kodlayıcıyı bir LSTM-otomatik kodlayıcı veya zamansal evrişimsel otomatik kodlayıcı ile değiştirerek sıralı bağımlılıkları yakalayın. SHAP'ın gradyan tabanlı varyantları (DeepSHAP), tekrarlayan ve evrişimsel mimarilerle uyumludur.
Ne kadar örneklem büyüklüğü gereklidir?
Derin otomatik kodlayıcılar, kararlı bir yeniden yapılandırma öğrenmek için genellikle binlerce normal sınıf örneği gerektirir. Daha küçük veri kümeleri (yüzlerce örnek) için, bir darboğazlı sığ bir otomatik kodlayıcıyı veya SHAP açıklamalarıyla Isolation Forest gibi daha sığ bir dedektörü düşünün.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable Autoencoder-Based Anomaly Detection (XAI-augmented Reconstruction Error). ScholarGate. https://scholargate.app/tr/machine-learning/explainable-autoencoder-anomaly-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otokodlayıcı Anomali TespitiMakine öğrenmesi↔ karşılaştır
- Açıklanabilir İzolasyon OrmanıMakine öğrenmesi↔ karşılaştır
- Açıklanabilir Tek Sınıf Destek Vektör MakinesiMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Öz Denetimli Otoenkoder Anomali TespitiMakine öğrenmesi↔ karşılaştır