Buchumschlag

Can I trust my anomaly detection system? A case study based on explainable AI

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rashid, Muhammad, Amparore, Elvio, Ferrari, Enrico, Verda, Damiano
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Using Stratified Sampling to Improve LIME Image Explanations
von: Rashid, Muhammad, et al.
Veröffentlicht: (2024)

ShapBPT: Image Feature Attributions Using Data-Aware Binary Partition Trees
von: Rashid, Muhammad, et al.
Veröffentlicht: (2026)

Enhancing interpretability of rule-based classifiers through feature graphs
von: Sirocchi, Christel, et al.
Veröffentlicht: (2025)

Can I trust my fake data -- A comprehensive quality assessment framework for synthetic tabular data in healthcare
von: Vallevik, Vibeke Binz, et al.
Veröffentlicht: (2024)

DTOR: Decision Tree Outlier Regressor to explain anomalies
von: Crupi, Riccardo, et al.
Veröffentlicht: (2024)

Mitigating the reconstruction-detection trade-off in VAE-based unsupervised anomaly detection
von: Senellart, Agathe, et al.
Veröffentlicht: (2026)

An explainable approach to detect case law on housing and eviction issues within the HUDOC database
von: Mohammadi, Mohammad, et al.
Veröffentlicht: (2024)

Research and application of Transformer based anomaly detection model: A literature review
von: Ma, Mingrui, et al.
Veröffentlicht: (2024)

ECATS: Explainable-by-design concept-based anomaly detection for time series
von: Ferfoglia, Irene, et al.
Veröffentlicht: (2024)

Explained anomaly detection in text reviews: Can subjective scenarios be correctly evaluated?
von: Novoa-Paradela, David, et al.
Veröffentlicht: (2023)

Decomposition-based multi-scale transformer framework for time series anomaly detection
von: Zhang, Wenxin, et al.
Veröffentlicht: (2025)

Deep evolving semi-supervised anomaly detection
von: Belham, Jack, et al.
Veröffentlicht: (2024)

Can we trust the evaluation on ChatGPT?
von: Aiyappa, Rachith, et al.
Veröffentlicht: (2023)

User-centric evaluation of explainability of AI with and for humans: a comprehensive empirical study
von: Bobek, Szymon, et al.
Veröffentlicht: (2024)

Limits of trust in medical AI
von: Hatherley, Joshua
Veröffentlicht: (2025)

Which LIME should I trust? Concepts, Challenges, and Solutions
von: Knab, Patrick, et al.
Veröffentlicht: (2025)

A neural-network based anomaly detection system and a safety protocol to protect vehicular network
von: Franceschini, Marco
Veröffentlicht: (2024)

AI Epidemiology: achieving explainable AI through expert oversight patterns
von: Tempest-Walters, Kit
Veröffentlicht: (2025)

Can persistent homology whiten Transformer-based black-box models? A case study on BERT compression
von: Balderas, Luis, et al.
Veröffentlicht: (2023)

Towards efficient deep autoencoders for multivariate time series anomaly detection
von: Pietroń, Marcin, et al.
Veröffentlicht: (2024)

Dataset resulting from the user study on comprehensibility of explainable AI algorithms
von: Bobek, Szymon, et al.
Veröffentlicht: (2024)

Continual Adversarial Reinforcement Learning (CARL) of False Data Injection detection: forgetting and explainability
von: Aslami, Pooja, et al.
Veröffentlicht: (2024)

Predicting life satisfaction using machine learning and explainable AI
von: Khan, Alif Elham, et al.
Veröffentlicht: (2025)

Sparse, self-organizing ensembles of local kernels detect rare statistical anomalies
von: Grosso, Gaia, et al.
Veröffentlicht: (2025)

How can we trust opaque systems? Criteria for robust explanations in XAI
von: Boge, Florian J., et al.
Veröffentlicht: (2025)

A GAN-based data poisoning framework against anomaly detection in vertical federated learning
von: Chen, Xiaolin, et al.
Veröffentlicht: (2024)

On the consistent reasoning paradox of intelligence and optimal trust in AI: The power of 'I don't know'
von: Bastounis, Alexander, et al.
Veröffentlicht: (2024)

BACON: A fully explainable AI model with graded logic for decision making problems
von: Bai, Haishi, et al.
Veröffentlicht: (2025)

Transfer learning applications for anomaly detection in wind turbines
von: Roelofs, Cyriana M. A., et al.
Veröffentlicht: (2024)

The OPS-SAT benchmark for detecting anomalies in satellite telemetry
von: Ruszczak, Bogdan, et al.
Veröffentlicht: (2024)

Unsupervised anomaly detection algorithms on real-world data: how many do we need?
von: Bouman, Roel, et al.
Veröffentlicht: (2023)

AD-NEv++ : The multi-architecture neuroevolution-based multivariate anomaly detection framework
von: Pietroń, Marcin, et al.
Veröffentlicht: (2024)

Superintelligent Agents Pose Catastrophic Risks: Can Scientist AI Offer a Safer Path?
von: Bengio, Yoshua, et al.
Veröffentlicht: (2025)

Acting upon Imagination: when to trust imagined trajectories in model based reinforcement learning
von: Remonda, Adrian, et al.
Veröffentlicht: (2021)

Enhanced anomaly detection in well log data through the application of ensemble GANs
von: Al-Fakih, Abdulrahman, et al.
Veröffentlicht: (2024)

A Machine Learning Pipeline for Multiple Sclerosis Biomarker Discovery: Comparing explainable AI and Traditional Statistical Approaches
von: Punzo, Samuele, et al.
Veröffentlicht: (2025)

Can Active Label Correction Improve LLM-based Modular AI Systems?
von: Taneja, Karan, et al.
Veröffentlicht: (2024)

Counterfactual explainability and analysis of variance
von: Gao, Zijun, et al.
Veröffentlicht: (2024)

CARE to Compare: A real-world dataset for anomaly detection in wind turbine data
von: Gück, Christian, et al.
Veröffentlicht: (2024)

Rare anomalies require large datasets: About proving the existence of anomalies
von: Klüttermann, Simon, et al.
Veröffentlicht: (2025)