論文の概要: DEM: A Distilled Explanation Model for Interpretable Anomaly Detection in Physiological Sensor Networks

• arxiv url: http://arxiv.org/abs/2605.31007v1
• Date: Fri, 29 May 2026 08:39:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.48114
• Title: DEM: A Distilled Explanation Model for Interpretable Anomaly Detection in Physiological Sensor Networks
• Title（参考訳）: DEM:生理センサネットワークにおける解釈可能な異常検出のための蒸留説明モデル
• Abstract要約: Wireless Body Area Networks (WBANs) による生理学的センサーデータの異常検出は、センサ障害、ネットワーク破壊、または欠落データによって引き起こされる可能性がある。 既存のアプローチは、強力なパフォーマンスを実現するが透明性を提供するブラックボックスモデルに依存している。 本研究では,3段階のガラスボックスフレームワークであるDEMを提案し,勾配促進の専門家の非線形知識を解釈可能な決定木に抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection in physiological sensor data from Wireless Body Area Networks (WBANs) can be caused by sensor faults, network disruptions, or missing data, leading to false alarms. Hence, it demands both high predictive accuracy and clinically interpretable explanations. Existing approaches rely either on black-box models that achieve strong performance but offer no transparency, or on post-prediction explanation methods such as SHAP and LIME. In this paper, we propose the Distilled Explanation Model (DEM), a three-stage glass-box framework that distills the non-linear knowledge of a gradient boosting expert into an interpretable decision tree operating on residuals relative to a linear baseline, so that the explanation is not an approximation but the prediction itself. DEM introduces a novel distillation fidelity metric that quantifies how faithfully the explanation tree captures the expert model's non-linear contribution, providing a principled measure of explanation trustworthiness absent from prior interpretable models. Evaluated across four physiological datasets, including MIMIC-IV, WESAD, eICU, and an in-house SmartNet WBAN corpus, DEM achieves an AUC of 0.9964 on clinical contextual anomaly detection and 0.9047 on wearable stress detection while producing human-readable if-then rules at a controllable depth. Inference requires 0.17ms per 1000 samples, rendering DEM 1235x faster than SHAP-based post-hoc explanation and suitable for real-time physiological monitoring. Ablation studies confirm that the XGBoost distillation step provides measurable gains over naive residual fitting, and depth-sensitivity analysis demonstrates an explicit, user-controlled accuracy-interpretability trade-off unique to DEM among existing intrinsically interpretable models.
• Abstract（参考訳）: Wireless Body Area Networks (WBANs) による生理学的センサーデータの異常検出は、センサの故障、ネットワークの破壊、あるいは欠落したデータによって起こり、誤報につながる可能性がある。 したがって、高い予測精度と臨床的に解釈可能な説明の両方を要求する。 既存のアプローチは、強力なパフォーマンスを実現するが透明性を提供するブラックボックスモデルか、SHAPやLIMEのような予測後説明手法に依存している。 本稿では,3段階のガラスボックスフレームワークであるDEM(Distilled Explanation Model)を提案する。このフレームワークは,勾配押し上げ専門家の非線形知識を線形ベースラインに相対的に作用する解釈可能な決定木に蒸留し,その説明が近似ではなく予測そのものであることを示す。 DEMは、説明木が専門家モデルの非線形貢献をいかに忠実に捉えているかを定量化する新しい蒸留忠実度指標を導入し、従来の解釈可能なモデルから欠落した説明信頼性の原則的尺度を提供する。 MIMIC-IV、WESAD、eICU、および社内のSmartNet WBANコーパスを含む4つの生理的データセットで評価され、DEMは臨床コンテキスト異常検出のAUCが0.9964、ウェアラブルストレス検出の0.9047を達成し、制御可能な深さで人間の読み取り可能なif-thenルールを生成する。 推測には1,000サンプルあたり0.17msが必要で、DEM 1235はSHAPベースのポストホックな説明よりも高速で、リアルタイムの生理モニタリングに適している。 アブレーション研究により、XGBoost蒸留工程は、ナイーブな残留フィッティングよりも測定可能な利得を示し、深度感度分析は、既存の本質的な解釈可能なモデルの中で、DEM特有の明示的でユーザ制御の精度-解釈可能性トレードオフを示す。

関連論文リスト

• Heteroscedastic Neural Surrogate Modeling for Robust and Rapid Bayesian Inference in Fusion Plasma Diagnostics [1.1961510466705991]
  本稿では,高速かつ堅牢なMCMC推論のためのニューラルネットワークに基づく確率的サロゲートフレームワークを提案する。 提案手法では,予測物理放射スペクトルとチャネルワイド内在性測定ノイズ分散を同時に推定するために,デュアルヘッドアーキテクチャを用いる。 このサロゲートフレームワークは、正確な物理フォワードモデルよりも1500倍加速し、同時に推論誤差(RMSE)を標準ホモシダスティック神経ベースラインに比べて20%削減することを示した。
  論文  参考訳（メタデータ） (2026-08-19T18:45:56Z)
• Fast Bayesian equipment condition monitoring via simulation based inference: applications to heat exchanger health [39.61652266573024]
  熱交換器の複雑な故障モードを診断するために,アモータイズされた神経後部推定を利用したAI駆動型フレームワークを提案する。 このフレームワークをMCMCベースラインに対して,様々な合成ファウリングおよびリークシナリオでベンチマークする。 ニューラルネットワークの償却された性質は、ほぼ瞬時に推論を可能にし、高度にスケーラブルでリアルタイムな代替手段としてSBIを確立する。
  論文  参考訳（メタデータ） (2026-04-22T16:21:25Z)
• A Neuro-Symbolic System for Interpretable Multimodal Physiological Signals Integration in Human Fatigue Detection [3.430778683859764]
  眼球運動動態,視線安定性,前頭前血行動態,マルチモーダルの4つの解釈可能な生理的概念を,視線追跡と神経血行動態,機能的近赤外分光,注意に基づくエンコーダを用いたFNIRSウィンドウから学習し,学習重量とソフトしきい値を用いた近似的推論規則と組み合わせた。 本システムは, 正確かつ解釈可能なモデルを必要とする領域であるマルチモーダル生理信号からの疲労分類に応用する。
  論文  参考訳（メタデータ） (2026-03-25T14:41:02Z)
• Interpretable Aneurysm Classification via 3D Concept Bottleneck Models: Integrating Morphological and Hemodynamic Clinical Features [0.6445605125467574]
  本稿では,高次元神経画像の特徴を,大動脈瘤の同定のための形態的および血行力学的概念の離散セットにマッピングする,エンドツーエンドの3Dコンセプト・ボトルネックフレームワークを提案する。 本研究では,ResNet-34アーキテクチャでは93.33%+/-4.5%,DenseNet-121モデルでは91.43%+/-8%のピークタスク分類精度を示した。
  論文  参考訳（メタデータ） (2026-03-08T01:03:48Z)
• EVolutionary Independent DEtermiNistiC Explanation [5.127310126394387]
  本稿では進化的独立決定論的説明(EVIDENCE)理論を紹介する。 EVIDENCEはブラックボックスモデルから重要な信号を抽出する決定論的、モデルに依存しない方法を提供する。 EVIDENCEの実践的応用は、医療における診断精度の向上と音声信号分析の強化である。
  論文  参考訳（メタデータ） (2025-01-20T12:05:14Z)
• Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI [11.871709357017416]
  静止状態fMRIデータを用いた特徴量削減パイプラインを提案する。 rs-fMRIから機能接続データを抽出するためにクラドック・アトラスとパワー・アトラスを用いた。 変分オートエンコーダを用いることで,提案したパイプラインは接続機能を5つの潜在ガウス分布に圧縮する。
  論文  参考訳（メタデータ） (2024-09-30T09:38:47Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)

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。