論文の概要: Interpretable Anomaly and Drift Detection with Gaussian Mixture Models

• arxiv url: http://arxiv.org/abs/2607.16811v2
• Date: Fri, 24 Jul 2026 07:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 14:08:30.806637
• Title: Interpretable Anomaly and Drift Detection with Gaussian Mixture Models
• Title（参考訳）: ガウス混合モデルによる解釈可能な異常とドリフト検出
• Abstract要約: 本稿では,ガウス混合モデル(GMM)を,異常検出のための軽量かつ解釈可能なツールとして再考する。 3つの実践的な選択を明示し、7つの公開ベンチマークで評価する。 7つのベンチマークでGMMポイント検出器は、分離森林、ローカル・アウトリア係数、一級SVM、ECOD、COPOD、オートエンコーダと競合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We revisit Gaussian Mixture Models (GMMs) as a lightweight, interpretable tool for anomaly detection and, in particular, for detecting distributional drift in data streams. We make three practical choices explicit and evaluate them on seven public benchmarks. First, the number of mixture components is selected automatically by the Bayesian Information Criterion, initialised by k-means, removing the need to fix it in advance. Second, individual observations are scored by their negative log-likelihood under a GMM fitted to normal data, with thresholds set at a target false-alarm rate using Extreme Value Theory. Third, the same interpretable model extends to distributional drift: each Gaussian component is a named "regime," and the fraction of a stream window that matches no regime -- its unexplained mass -- is a drift signal that is itself the explanation. We benchmark this against a model-free kernel two-sample test (Maximum Mean Discrepancy, MMD) and against two GMM-to-GMM divergences (a closed-form Cauchy-Schwarz divergence and a matching-based KL surrogate). Across seven benchmarks ranging from 3 to 64 dimensions and five random splits, the GMM point detector is competitive with -- though rarely more accurate than -- Isolation Forest, Local Outlier Factor, one-class SVM, ECOD, COPOD and an autoencoder, while uniquely yielding an interpretable model. For drift, MMD is the strongest pure detector, but the interpretable unexplained-mass statistic matches it when anomalies form novel regimes (and honestly fails, as MMD does not, when drift is a pure re-weighting of existing regimes). Every alarm is explainable: anomalies lie a median of 3-10 sigma outside their nearest regime vs. about 1 sigma for normal points, and a drift alarm reports the fraction of the window matching no known regime. All code and experiments are released.
• Abstract（参考訳）: 我々はガウス混合モデル(GMM)を,異常検出のための軽量かつ解釈可能なツールとして再検討し,特にデータストリームの分布ドリフトを検出する。 3つの実践的な選択を明示し、7つの公開ベンチマークで評価する。 まず、混合成分の個数はベイズ情報基準によって自動的に選択され、k平均で初期化され、事前に修正する必要がなくなる。 第二に、個々の観測は通常のデータに適合したGMMの下で負の対数類似度によってスコアされ、しきい値は極値理論(Extreme Value Theory)を用いてターゲットの偽アラームレートに設定される。 第3に、同じ解釈可能なモデルは、分布的ドリフトにまで拡張され、各ガウス成分は「レジム」と名付けられ、その説明されていない質量に一致しないストリームウィンドウの分画は、その説明であるドリフト信号である。 我々は、モデルフリーカーネル2サンプルテスト(最大平均離散性、MDD)と、2つのGMM-to-GMM分岐(クローズドフォームのコーシーシュワルツ分岐とマッチングベースのKLサロゲート)とをベンチマークする。 3次元から64次元までの7つのベンチマークと5つのランダムスプリットの範囲で、GMMポイント検出器は-分離フォレスト、局所外層因子、一級SVM、ECOD、COPOD、オートエンコーダと競合するが、一意に解釈可能なモデルを生成する。 ドリフトにとって、MDDは最強の純粋な検出器であるが、解釈不能な質量統計は、異常が新しいレジームを形成するときと一致する(そしてMDDは、ドリフトが既存のレジームの純粋な再重み付けであるときに失敗する)。 どのアラームも説明できる: 異常は最も近いアラームの外側で3～10シグマの中央値にあるが、通常のポイントでは1シグマの中央値であり、ドリフトアラームは既知のアラームと一致しないウィンドウのごく一部を報告している。 すべてのコードと実験がリリースされる。

関連論文リスト

• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• A Unified View of Drifting and Score-Based Models [92.51878018325031]
  ドリフトがカーネル平滑分布にスコアベースの定式化を許すことを示すことにより,拡散モデルの背後にあるスコアマッチング原理との関係を正確にする。 一般的なラプラス核に対して正確な分解を導出し、ラプラス核に対してドリフトが低温および高次元状態におけるスコアマッチングの正確なプロキシであることを示す厳密な誤差境界を証明した。
  論文  参考訳（メタデータ） (2026-03-08T07:41:36Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Generation Order and Parallel Decoding in Masked Diffusion Models: An Information-Theoretic Perspective [16.942478643768144]
  Masked Diffusion Models (MDMs) は、逐次決定論のトレードオフによって推論を著しく加速する。 我々は,2つの障害源である順序感度と並列化バイアスを分離し,解析するための統合情報理論フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-01-30T20:15:18Z)
• Adaptive Gaussian Mixture Models-based Anomaly Detection for under-constrained Cable-Driven Parallel Robots [0.0]
  本稿では,センサを追加せずに,トルクデータのみを用いて異常を検出できるかどうかを検討する。 ガウス混合モデル(GMM)に基づく適応無教師外乱検出アルゴリズムを導入した。 提案手法は,100%真の正の速度と95.4%の平均真の負の速度を1秒間検出遅延で達成する。
  論文  参考訳（メタデータ） (2025-07-10T12:52:19Z)
• DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
  状態推定は、高い操作性を持つ3次元物体追跡において困難である。 本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。 DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
  論文  参考訳（メタデータ） (2025-05-18T10:12:41Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Reconstruction of Sentinel-2 Time Series Using Robust Gaussian Mixture Models -- Application to the Detection of Anomalous Crop Development in wheat and rapeseed crops [14.849671539394272]
  データの欠落は、主にマルチスペクトル画像のクラウドカバレッジと取得の問題によって、リモートセンシングにおいて繰り返し発生する問題である。 マルチスペクトル画像から抽出したパーセルレベルの特徴を再構成するためのガウス混合モデル(GMM)を提案する。 また、Sentinel-1データを用いた合成開口レーダ(SAR)画像から抽出した付加的特徴を用いて補完情報を提供する。
  論文  参考訳（メタデータ） (2021-10-22T13:35:54Z)

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。