L'analisi SHAP rivela ridondanza nei rilevatori di anomalie non supervisionati

Una nuova metodologia utilizza le SHapley Additive Explanations (SHAP) per caratterizzare i rilevatori di anomalie non supervisionati in base ai loro meccanismi decisionali. L'approccio quantifica come ogni modello attribuisce importanza alle caratteristiche di input, creando profili di attribuzione che misurano la similarità tra i rilevatori. Ciò affronta la sfida che molti rilevatori si basano su segnali decisionali simili, producendo punteggi di anomalia ridondanti che limitano il potenziale dell'apprendimento d'insieme. Identificando modelli che catturano diversi tipi di irregolarità, il metodo mira a costruire insiemi genuinamente complementari. La ricerca è pubblicata su arXiv (2602.00208) e affronta il problema delle distribuzioni di dati eterogenee e della mancanza di etichette nel rilevamento di anomalie non supervisionato.