PulseAugur
中
实时 03:17:30
English(EN) Stabilising Explainability Fragility in Cybersecurity AI: The Impact and Mitigation of Multicollinearity in Public Benchmark Datasets

新指标量化网络安全AI中的可解释性脆弱性

作者 PulseAugur 编辑部 · [2 个来源] ·

本文介绍了一种新颖的指标——可解释性脆弱性得分（Explanability Fragility Score），用于量化网络安全入侵检测系统中AI解释的不稳定性。研究表明，多重共线性（一种具有相关特征的统计问题）会显著放大解释方差，并导致特征重要性无法识别。为解决此问题，本文提出了两种缓解方法：CAA-Filtering和SHARP，旨在稳定AI解释，提高在安全关键应用中的可信度。 AI

影响 引入了提高安全关键系统中AI解释的可信度和可复现性的方法。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的AI可解释性指标和缓解方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Ioannis J. Vourganas, Anna Lito Michala ·

    Stabilising Explainability Fragility in Cybersecurity AI: The Impact and Mitigation of Multicollinearity in Public Benchmark Datasets

    arXiv:2605.22529v1 Announce Type: new Abstract: This paper investigates a unexplored yet impactful vulnerability in AI explainability used in intrusion detection (IDS): multicollinearity-induced instability. Despite extensive reliance on post-hoc explainability tools such as SHAP…

  2. arXiv cs.AI TIER_1 English(EN) · Anna Lito Michala ·

    Stabilising Explainability Fragility in Cybersecurity AI: The Impact and Mitigation of Multicollinearity in Public Benchmark Datasets

    This paper investigates a unexplored yet impactful vulnerability in AI explainability used in intrusion detection (IDS): multicollinearity-induced instability. Despite extensive reliance on post-hoc explainability tools such as SHAP or LIME, the impact of correlated features on e…

相关实体

相关话题