跳转至

见证者解释异常：WAND——具备原生可解释性的无监督表格异常检测器

文章背景与核心概要

在无监督异常检测领域，核心挑战不仅在于准确识别异常数据点，更在于解释模型为何将其标记为异常。传统的异常检测器通常只输出一个异常评分，却缺乏特征归因能力；而事后解释器（如 SHAP 或 LIME）虽然能提供解释，但计算成本极高，需要对模型进行数千次重新查询，且本质上只是对模型的近似。

为了解决这一痛点，本文作者 Lamine Diop 提出了 WAND，这是一种在设计上就具备可解释性的无监督表格异常检测器。WAND 通过将数据点投影到单位球面上的各个方向，并测量其偏离次高斯极值基准（sub-Gaussian extreme-value baseline）的程度来给数据点打分。该方法的核心创新在于：触发异常评分的“见证方向”（witness directions）本身就是特征空间中的向量，能够直接作为每个特征的归因结果，且无需付出任何额外的计算成本。

在覆盖 47 个 ADBench 数据集的全面测试中，WAND 在保持与 16 种无监督基线模型相当的 ROC-AUC 性能的同时，实现了最佳的平均弗里德曼排序（mean Friedman rank）。这意味着 WAND 在没有牺牲准确性的前提下大幅提升了可解释性，其原生解释不仅比事后方法（如 SHAP、LIME 和 ECOD）更准确、更忠实，而且查询成本极低，是当前一种极具实用价值的可解释异常检测方案。

见证者解释异常 (Witnesses Explain Anomalies)

摘要 (Summary)

arXiv:2609.03826 [cs.LG]
作者： Lamine Diop
提交时间： 2026年9月3日
接收于： ICDM 2026

无监督异常检测通常需要解释某个数据点为什么被标记为异常，但主流检测器传统上只提供评分而没有特征归因。像 SHAP 或 LIME 这样的事后解释器成本高昂，需要数千次重新查询，且只能对模型进行近似。

本文推出了 WAND，这是一种在设计上就具备可解释性的无监督表格异常检测器。WAND 通过将点投影到单位球面上的方向，并测量偏离次高斯极值基准的程度来对点进行评分。标记某个点的“见证方向”自然而然地充当了每个特征的归因，且无需任何额外的计算成本。在 47 个 ADBench 数据集上进行测试时，WAND 达到了与 16 种无监督基线相媲美的最先进的 ROC-AUC 性能，因此在不牺牲准确性的情况下获得了可解释性，并且其原生解释比事后方法更快、更准确、更忠实。

元数据与参考信息 (Metadata & Reference Information)

摘要 (Abstract)

Unsupervised anomaly detection scores each point of an unlabelled, contaminated sample in a single pass, and increasingly must also explain why a point is flagged. Yet the dominant detectors give a score with no account of which features drive it, and explanations are bolted on post-hoc with SHAP or LIME, which re-query the detector thousands of times per point and only approximate it. We introduce WAND, an unsupervised tabular anomaly detector that is explainable by design. WAND organises its computation around directions on the unit sphere, scoring each point by how far its projection escapes a sub-Gaussian extreme-value baseline. The originality of our approach is that the witness directions that flag a point, being vectors in feature space, are its explanation, a per-feature attribution obtained at no cost over scoring and, since the score is differentiable, recoverable by gradients. Scoring is linear in the sample size, and a probe-efficiency bound guarantees every anomaly a witness, hence an explanation. Across 47 ADBench datasets WAND attains the best mean Friedman rank at ROC-AUC parity with 16 unsupervised baselines, so the gain is interpretability at no accuracy cost; its native explanations are more accurate and faithful than post-hoc SHAP/LIME and ECOD at a fraction of the query cost. WAND is thus a practical, interpretable solution for explainable anomaly detection.

无监督异常检测在单次遍历中对未标记受污染样本的每个点进行评分，并且日益需要解释为什么某个点被标记。然而，占主导地位的检测器给出的评分没有考虑是哪些特征驱动的，而解释则是通过 SHAP 或LIME 事后附加的，这会为每个点对检测器重新查询数千次且仅能对其进行近似。我们推出了 WAND，这是一种在设计上就具备可解释性的无监督表格异常检测器。WAND 围绕单位球面上的方向组织其计算，通过其投影逃逸次高斯极值基准的距离来对每个点进行评分。我们方法的独创性在于，标记一个点的见证方向作为特征空间中的向量就是其解释，这是一种在评分之上零成本获得的每个特征的归因，并且由于评分是可微的，因此可以通过梯度来恢复。评分与样本大小呈线性关系，并且探测效率边界保证了每个异常都有一个见证者，从而有一个解释。在 47 个 ADBench 数据集上，WAND 在与 16 个无监督基线达到 ROC-AUC 平等的情况下获得了最佳的平均弗里德曼排序，因此增益是以零准确度成本换取的可解释性；其原生解释比事后 SHAP/LIME 和 ECOD 更准确、更忠实，且查询成本只是其中的一小部分。因此，WAND 是用于可解释异常检测的实用、可解释的解决方案。