PulseAugur
中
实时 10:47:14
English(EN) Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection

新框架 X-AddGraph 为图异常检测增加可解释性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 X-AddGraph，一个用于 AddGraph（一种循环图异常检测系统）的新型事后可解释性框架。这种新方法在不损害原始检测器性能的情况下，为异常检测分数提供了可审计的原因。X-AddGraph 利用了与 AddGraph 架构组件对齐的双时空归因（DSTA）机制，提供了对空间关系和时间动态的洞察。 AI

影响 增强了人工智能驱动的异常检测系统的信任度和可审计性，这在受监管的环境中至关重要。

排序理由 该集群包含一篇学术论文，详细介绍了图异常检测可解释性的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架 X-AddGraph 为图异常检测增加可解释性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Iyad Assaad Nekka, Hamida Seba, Khaled Walid Hidouci, Karima Amrouche ·

    双时空归因：面向循环图异常检测的架构对齐事后可解释性

    arXiv:2608.12441v1 Announce Type: cross Abstract: Deep learning detectors for anomalies in dynamic graphs have reached strong accuracy, yet they remain opaque: when an edge is flagged, the analyst receives a score but no reason. This opacity is untenable in the cooperative, regul…

相关实体

相关话题