银行的异常检测是打击非法交易活动、完善自身安全系统的一项基本机制。随着我国金融产业的数字化、智能化，需要分析处理的数据也呈指数形增长。传统的基于人工经验的异常检测方式已经难以满足银行的需求。银行亟需一个高效又便于业务人员理解的AI模型帮助其实现异常检测。在众多无监督异常检测模型中，孤立森林算法因其准确、快速且易于处理高维数据的特点而被业界广泛接纳。然而孤立森林算法模型本身的复杂性与随机性使得该算法难以解释。另一方面，由于银行的监管要求与实际业务的需求，银行对异常检测模型的可解释需求也变得日益强烈。

本次分享将介绍一种针对孤立森林算法的可解释指标，即如何在SHAP模型与合作博弈理论的启发下构建一个具有可加性的解释模型。该模型不仅可以实现传统可解释模型的指标重要性排序的功能，同时还能对各个样本的异常来源进行量化。本次分享还将展示在银行业务场景下，量化样本异常来源如何助力银行业务。

演讲提纲：

1. 业务背景
   • 异常值检测算法的可解释需求
2. 核心算法
   • 孤立森林与SHAP解释模型的瓶颈
   • 构建类SHAP统计指标
   • 基于孤立树结构的优化算法
   • 解释异常样本的异常来源
3. 银行业务场景下的异常值解释实践
   • 助力人工审核
   • 挖掘异常共性
   • 实现指标精选

你将获得：

• 基于孤立森林算法的可解释指标深度探索
• 索信达量化样本异常来源的方案