論文の概要: Analyzing Shapley Additive Explanations to Understand Anomaly Detection Algorithm Behaviors and Their Complementarity

• arxiv url: http://arxiv.org/abs/2602.00208v1
• Date: Fri, 30 Jan 2026 13:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.053952
• Title: Analyzing Shapley Additive Explanations to Understand Anomaly Detection Algorithm Behaviors and Their Complementarity
• Title（参考訳）: 異常検出アルゴリズムの挙動と相補性を理解するためのシェープリー付加説明法の解析
• Authors: Jordan Levy, Paul Saves, Moncef Garouani, Nicolas Verstaevel, Benoit Gaudou,
• Abstract要約: 本稿では, 異常検出器の判定機構を用いて, 異常検出器を識別する手法を提案する。 類似した説明を持つ検出器は相関した異常スコアを生成し、主に重複する異常を同定する傾向がある。 また、多様性だけでは不十分であり、個々のモデルのパフォーマンスが効果的なアンサンブルの前提条件であることも示しています。
• 参考スコア（独自算出の注目度）: 0.4077787659104315
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised anomaly detection is a challenging problem due to the diversity of data distributions and the lack of labels. Ensemble methods are often adopted to mitigate these challenges by combining multiple detectors, which can reduce individual biases and increase robustness. Yet building an ensemble that is genuinely complementary remains challenging, since many detectors rely on similar decision cues and end up producing redundant anomaly scores. As a result, the potential of ensemble learning is often limited by the difficulty of identifying models that truly capture different types of irregularities. To address this, we propose a methodology for characterizing anomaly detectors through their decision mechanisms. Using SHapley Additive exPlanations, we quantify how each model attributes importance to input features, and we use these attribution profiles to measure similarity between detectors. We show that detectors with similar explanations tend to produce correlated anomaly scores and identify largely overlapping anomalies. Conversely, explanation divergence reliably indicates complementary detection behavior. Our results demonstrate that explanation-driven metrics offer a different criterion than raw outputs for selecting models in an ensemble. However, we also demonstrate that diversity alone is insufficient; high individual model performance remains a prerequisite for effective ensembles. By explicitly targeting explanation diversity while maintaining model quality, we are able to construct ensembles that are more diverse, more complementary, and ultimately more effective for unsupervised anomaly detection.
• Abstract（参考訳）: データ分散の多様性とラベルの欠如により、教師なしの異常検出は難しい問題である。 アンサンブル法は、複数の検出器を組み合わせることで、個々のバイアスを減らし、堅牢性を高めることで、これらの課題を軽減するためにしばしば用いられる。 しかし、多くの検出器は同様の決定方法に依存し、結果として冗長な異常スコアを生成するため、真の補完的なアンサンブルの構築は依然として困難である。 結果として、アンサンブル学習の可能性はしばしば、異なる種類の不規則を真に捉えているモデルを特定することの難しさによって制限される。 そこで本研究では,異常検知器の判定機構を特徴付ける手法を提案する。 SHapley Additive exPlanationsを用いて、各モデルがどのように入力特徴に重要であるかを定量化し、これらの属性プロファイルを用いて検出器間の類似度を測定する。 類似した説明を持つ検出器は相関した異常スコアを生成し、主に重複する異常を同定する傾向がある。 逆に、説明のばらつきは相補的な検出挙動を確実に示す。 この結果から,説明駆動のメトリクスは,アンサンブル内のモデルを選択するために,生の出力と異なる基準を提供することが示された。 しかし、多様性だけでは不十分であり、高い個人モデルの性能が効果的なアンサンブルの前提条件であることも示している。 モデル品質を維持しながら、説明の多様性を明示的にターゲットすることで、より多様性があり、補完的であり、究極的には教師なしの異常検出に有効であるアンサンブルを構築することができる。

関連論文リスト

• SetAD: Semi-Supervised Anomaly Learning in Contextual Sets [25.628827917857603]
  半教師付き異常検出は、限られたラベル付きデータを効果的に活用することで大きな可能性を秘めている。 本研究では,半教師付きADをSet-level Anomaly Detectionタスクとして再編成する新しいフレームワークであるSetADを提案する。 頑健性とスコアの校正性を高めるため,文脈校正型異常スコアリング機構を提案する。
  論文  参考訳（メタデータ） (2025-11-26T13:27:59Z)
• Contrastive Representation Modeling for Anomaly Detection [0.21427777919040417]
  本研究では,学習中の正と負の関係を再定義し,これらの特性を明示的な異常ラベルを必要とせずに促進する構造的コントラスト目的を提案する。 本フレームワークは, 産業環境における局所的異常の検出を改善するために, パッチベースの学習評価戦略を用いて拡張する。
  論文  参考訳（メタデータ） (2025-01-09T10:33:16Z)
• Towards a Unified Framework of Clustering-based Anomaly Detection [18.30208347233284]
  非教師付き異常検出(UAD)は、ラベル付き例なしでデータ内の異常パターンを識別する上で重要な役割を果たす。 本稿では, 表現学習, クラスタリング, 異常検出の理論的関係を確立するために, 異常検出のための新しい確率混合モデルを提案する。 我々は,表現学習とクラスタリングの併用力を効果的に活用する,改良された異常スコアを考案した。
  論文  参考訳（メタデータ） (2024-06-01T14:30:12Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Towards Interpretable Anomaly Detection via Invariant Rule Mining [2.538209532048867]
  本研究では,不変ルールマイニングによる高度に解釈可能な異常検出を追求する。 具体的には、決定木学習と相関ルールマイニングを活用して、不変ルールを自動的に生成する。 生成された不変規則は、異常検出結果の明示的な説明を提供することができるため、その後の意思決定には極めて有用である。
  論文  参考訳（メタデータ） (2022-11-24T13:03:20Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。