arXiv cs.AI· Juyoung Seo, Geonwoo Bang, Dongho Kim, Moohong Min·· 12 小时前AI 评分27
ReForest：将可解释性与推理能力融入 Isolation Forest
ReForest: Interpretability Meets Reasoning in Isolation Forest
AI 导读
ReForest 框架将 Isolation Forest 的潜在决策路径转化为自然语言解释，让 LLM 通过不确定性感知的动态集成来精炼异常检测。在 Healthcare、Finance 等四个真实数据集上，该方法平均提升 Recall 21%、F1 分数 10%。该框架同时以统计证据支撑语义叙述，为高风险决策提供可解释依据。
正文 · AI 翻译
摘要：Isolation Forest 等统计异常检测方法高效，但存在严重的语义鸿沟。它们能识别数值上的稀有性，却无法理解数据的上下文含义，常常漏掉细微的、依赖上下文的异常。相反，大型语言模型具备强大的语义推理能力，但大规模部署成本高昂且速度缓慢。为弥合这一鸿沟，我们提出 ReForest，这是一个新颖的框架，将 Isolation Forest 的统计效率与 LLM 的推理能力协同起来。ReForest 将 Isolation Forest 的潜在决策路径转化为自然语言解释，使 LLM 能够通过不确定性感知的动态集成来改进异常检测。该方法使模型能够基于不确定性驱动的实例级置信度，自适应地权衡统计信号与语义信号。在四个真实数据集（医疗、金融）上的大量实验表明，ReForest 显著优于基线，召回率平均提升 21%，F1 分数提升 10%。我们的框架不仅提升了检测性能，还通过将语义叙述建立在统计证据之上增强了模型透明度，为高风险决策提供了必要的可解释依据。
| 评论： | 12 页，2 幅图。发表于 PAKDD 2026 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.37316 [cs.AI] |
| （或 arXiv:2610.37316v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37316 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | Advances in Knowledge Discovery and Data Mining (PAKDD 2026), Lecture Notes in Computer Science, vol. 16600, pp. 628-639, Springer (2026) |
| 相关 DOI： | https://doi.org/10.1007/978-981-92-1468-6_45
链接到相关资源的 DOI |
提交历史
来自：Juyoung Seo [查看邮箱]
[v1]
2026 年 10 月 27 日星期二 14:31:40 UTC（153 KB）
来源：arXiv cs.AI · arxiv.org