تعتبر عملية الكشف عن الشذوذ في البيانات غير المراقبة واحدة من أبرز التحديات في علم البيانات، حيث تتنوع توزيعات البيانات وتفتقر إلى التصنيفات الواضحة. وللتغلب على هذه العقبات، يتم اعتماد أساليب التجميع (Ensemble Methods) التي تجمع بين عدة كاشفات لزيادة المرونة وتقليل الانحياز الفردي.

ومع ذلك، يبقى بناء مجموعة فعالة من النماذج التي تتمتع بتكامل حقيقي تحدياً كبيراً، حيث يعتمد العديد من الكاشفات على إشارات قرار متشابهة، مما يؤدي إلى إنتاج درجات شذوذ مكررة. هنا يأتي دور دراسة جديدة تستخدم SHapley Additive Explanations (SHAP) لتحليل سلوك كاشفات الشذوذ وفهم كيفية اعتبار كل نموذج لأهمية الميزات المدخلة.

تقدم هذه الدراسة منهجية لتوصيف كاشفات الشذوذ من خلال آليات قراراتها، حيث تقيس التوافق بين الكاشفات بناءً على أنماط التفسير الخاصة بها. النتائج أظهرت أن الكاشفات التي تُظهر تفسيرات مشابهة تُنتج درجات شذوذ مترابطة وتحدد anomalies متداخلة. بالمقابل، تشير اختلافات التفسير إلى سلوك كشف تكاملي.

تُظهر النتائج أن المعايير المدفوعة بالتفسير توفر معياراً مختلفاً لاختيار النماذج في مجموعة، ومع ذلك، تبين أن التنوع وحده ليس كافياً، حيث يبقى الأداء الفردي العالي شرطاً مسبقاً لمجموعات فعالة. من خلال استهداف تنوع التفسير مع الحفاظ على جودة النموذج، يمكننا بناء مجموعات أكثر تنوعاً وتكاملاً وفعالية في الكشف عن الشذوذ غير المراقب.