論文の概要: Explainable Outlier Detection for Interval-valued Data

• arxiv url: http://arxiv.org/abs/2606.26307v1
• Date: Wed, 24 Jun 2026 18:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.058252
• Title: Explainable Outlier Detection for Interval-valued Data
• Title（参考訳）: インターバル値データの説明可能な外乱検出
• Authors: Catarina P. Loureiro, M. Rosário Oliveira, Paula Brito, Lina Oliveira,
• Abstract要約: 本稿では,シャプリー値の概念を用いて,間隔値観測のアウトライジング性を説明する新しい手法を提案する。 正方形ロバストなインターバル・マハラノビス距離のシャプリー値に対する閉形式式を導出する。 この定式化により、外れ値の微細な解釈が可能となり、間隔値の観測の中心、範囲、および横断的な部分からの貢献を詳細に分解することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Explainability is increasingly recognized as a key aspect of outlier detection. However, for complex data structures such as interval-valued data, it remains largely unexplored. Building on an outlier detection framework based on the Interval Minimum Covariance Determinant estimator, we propose a novel approach to explain the outlyingness of interval-valued observations using the concept of the Shapley value. We derive a closed-form expression for the Shapley value of the squared robust Interval-Mahalanobis distance, enabling efficient computation of variable contributions. This formulation allows for a fine-grained interpretation of outliers, providing a detailed decomposition into contributions from centers, ranges, and cross-terms of the interval-valued observations. Moreover, the Shapley value is closely connected to the concept of cellwise outliers, as it can help identify variable-specific outliers that may not be evident at multivariate level. We further extend the framework through the Shapley interaction index to capture pairwise variable interactions driving atypical behavior. The practical utility of the proposed approach is illustrated through two real-world datasets.
• Abstract（参考訳）: 説明可能性(Explainability)は、外れ値検出の重要な側面として、ますます認識されている。 しかし、インターバル値データのような複雑なデータ構造については、ほとんど探索されていないままである。 本研究は, 時間差最小共分散係数推定器に基づく外乱検出フレームワークを構築し, シャプリー値の概念を用いて, 間隔値観測のアウトライジング性を説明する新しい手法を提案する。 正方形ロバストなインターバル・マハラノビス距離のシャプリー値に対する閉形式式を導出し、可変寄与の効率的な計算を可能にした。 この定式化により、外れ値の微細な解釈が可能となり、間隔値の観測の中心、範囲、および横断的な部分からの貢献を詳細に分解することができる。 さらに、Shapley値は、多変量レベルでは明らかでない変数固有の外れ値を見つけるのに役立つため、セルワイズ・アウトリーの概念と密接に関連している。 さらに、Shapleyインタラクションインデックスを通じてフレームワークを拡張し、非典型的振る舞いを駆動するペアワイズな変数の相互作用をキャプチャする。 提案手法の実用性は、2つの実世界のデータセットを通して説明される。

関連論文リスト

• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• One-Step Score-Based Density Ratio Estimation [31.654131641085787]
  1ステップのスコアベース密度比推定(OS-DRE)は、部分的に解析的で解けないフレームワークである。 OS-DREは時間スコアを空間的および時間的成分に分解し、後者を解析的ラジアル基底関数(RBF)フレームで表す。 密度推定,連続Kulback-Leibler,相互情報推定,および分布外検出による実験により,OS-DREは推定品質と推定効率のバランスが良好であることを実証した。
  論文  参考訳（メタデータ） (2026-04-12T14:53:44Z)
• An Odd Estimator for Shapley Values [19.262788739385012]
  Shapley値は、特徴の重要性、データバリュエーション、因果推論を含む、機械学習の帰属のためのフレームワークである。 我々は、Shapley値が集合関数の奇数成分にのみ依存していることを証明する。 奇数部分空間のみに回帰を行う一貫した推定器であるOddSHAPを提案する。
  論文  参考訳（メタデータ） (2026-02-01T19:07:16Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• DU-Shapley: A Shapley Value Proxy for Efficient Dataset Valuation [23.646508094051768]
  我々は、データセットのバリュエーションの問題、すなわち、インクリメンタルゲインを定量化する問題を考える。 Shapleyの値は、その正式な公理的正当化のためにデータセットのバリュエーションを実行する自然なツールである。 本稿では,離散一様分布下での予測として表現される離散一様シャプリーと呼ばれる新しい近似を提案する。
  論文  参考訳（メタデータ） (2023-06-03T10:22:50Z)
• Concrete Score Matching: Generalized Score Matching for Discrete Data [109.12439278055213]
  コンクレトスコア(Concrete score)とは、個別の設定のためのスコア(ステイン)の一般化である。 コンクレトスコアマッチング(Concrete Score Matching)は、サンプルからこのようなスコアを学習するフレームワークである。
  論文  参考訳（メタデータ） (2022-11-02T00:41:37Z)
• Multivariate outlier explanations using Shapley values and Mahalanobis distances [1.066048003460524]
  観測値の正方形マハラノビス距離は、単一変数に由来する外部寄与に分解できることが示されている。 この分解は、説明可能なAIの文脈で人気になったゲーム理論からよく知られた概念であるShapley値を用いて得られる。
  論文  参考訳（メタデータ） (2022-10-18T18:00:07Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
  最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。 本手法は既存の不一致対策よりも高いロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-06-13T06:09:27Z)

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。