本研究提出了一种新型可解释AI方法，通过扩展决策谓词图，全面分析数据预处理对孤立森林模型性能和偏差的影响。该方法引入内点-外点传播分数，增强了模型的可解释性，并揭示了特征在异常值识别中的贡献。

本研究提出了一种名为“可惊讶学习”（LvS）的方法，旨在高维时间线数据分析中识别异常值。LvS通过量化时间序列数据中的异常，展示了其高效性和可解释性。