論文の概要: Localized Anomaly Detection via Differentiable D-vine Copulas
- arxiv url: http://arxiv.org/abs/2607.25020v1
- Date: Mon, 27 Jul 2026 19:29:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.606415
- Title: Localized Anomaly Detection via Differentiable D-vine Copulas
- Title（参考訳）: D-vine Copulaによる局所異常検出
- Abstract要約: そこで本研究では,完全微分可能実装によって実現された勾配に基づく最大推定をビーム探索戦略と組み合わせた新しい推定手法を提案する。
適応D-vine上に構築された局所的異常検出フレームワークは,階層的分解を利用してグローバルな異常スコアとエッジレベルの説明を生成する。
提案するフレームワークを,ベンチマークと実世界の両方のデータセットで評価し,不確実性を伴う異常検出の解釈の有効性を実証した。
- 参考スコア（独自算出の注目度）: 3.071933369858584
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Vine copulas provide a flexible framework for modeling complex multivariate distributions through a hierarchical decomposition into bivariate pair-copulas. Fitting a D-vine requires selecting a copula family and parameter configuration for each pair-copula from a set of candidates encoding different dependence patterns. As the number of variables and candidate families increases, the number of possible configurations grows combinatorially. Existing fitting procedures address this challenge through sequential greedy decisions, committing to a single locally optimal family at each step and potentially discarding configurations that would yield a better global fit. To overcome this limitation, we propose a novel estimation framework that combines gradient-based maximum likelihood estimation, enabled by our fully differentiable implementation, with a beam-search strategy that maintains multiple competing D-vine configurations throughout the fitting process. This allows a broader exploration of the configuration space while remaining computationally tractable. Building on the fitted D-vine, we introduce a localized anomaly detection framework that exploits the hierarchical decomposition to produce both global anomaly scores and edge-level explanations. Statistical guarantees are provided through Mondrian conformal prediction, while the pair-copula structure enables the localization of anomalies to specific variable relationships. We evaluate the proposed framework on both benchmark and real-world datasets, demonstrating its effectiveness for interpretable anomaly detection with uncertainty quantification.
- Abstract（参考訳）: Vine copulasは、階層的な2変数対コプラへの分解を通じて、複雑な多変数分布をモデル化するための柔軟なフレームワークを提供する。
D-vineのフィッティングには、異なる依存パターンを符号化する候補のセットから、ペアコプラごとにコプラファミリとパラメータ設定を選択する必要がある。
変数の数と候補ファミリーの数が増えると、可能な構成の数は組合せ的に増加する。
既存の適合手順は、一連の欲求決定を通じてこの課題に対処し、各ステップで1つの局所最適ファミリーにコミットし、より優れたグローバル適合をもたらす構成を破棄する可能性がある。
この制限を克服するために、我々は、完全に微分可能な実装によって実現された勾配に基づく最大推定と、フィッティングプロセスを通して複数の競合するD-ビン構成を維持するビーム探索戦略を組み合わせた、新しい推定フレームワークを提案する。
これにより、計算的にトラクタブルなまま構成空間を広範囲に探索することができる。
適応D-vine上に構築された局所的異常検出フレームワークは,階層的分解を利用してグローバルな異常スコアとエッジレベルの説明を生成する。
統計的保証はモンドリアン共形予測によって提供され、対コピュラ構造は特定の変数関係への異常の局所化を可能にする。
提案手法をベンチマークと実世界の両方のデータセットで評価し,不確実な定量化による異常検出の解釈の有効性を実証した。
関連論文リスト
- Multi-Dataset Inverse Problem Solving with Distributed Generative AI [1.0877122445562903]
本稿では、生成AIに基づく逆問題解決器のコンテキストにおいて、複数の異種データセットを同時に解析するフレームワークを提案する。
マルチ検出器散乱実験にインスパイアされた制御されたセットアップを用いて,本手法の有効性を検証する。
その結果,本手法は実世界のマルチデータセット解析に適しており,実験条件は測定範囲によって異なることがわかった。
論文 参考訳（メタデータ） (2026-08-26T18:08:54Z) - Learning Multi-Agent Coordination via Sheaf-ADMM [2.236663830879273]
入力は重なり合うローカルビューに分解され、それぞれがニューラルエンコーダによってパラメータ化された凸サブプロブレムを解くエージェントによって処理される。
エージェントは、細胞シーフによって指定されたエージェント間制約を持つ乗算器の交互方向法を介して調整する。
局所的な視点が不十分なエージェントが協調して正確なグローバルアウトプットを生成することを学習する,迷路パスフィニング,画像分類,スドゥークについて検討した。
論文 参考訳（メタデータ） (2026-05-29T08:39:14Z) - Identifiable Bayesian Deep Generative Copulas with Unknown Layer Widths for Data with Arbitrary Marginal Distributions [2.105564340986074]
多変量データに対する識別可能かつ解釈可能な生成モデルであるDeep Discrete (DDE) Copulaを導入する。
このモデルは、コプラフレームワーク内にバイナリ潜在変数の階層的なネットワークを配置する。
推定は、後部推論から境界モデリングを分離するランク確率に基づいている。
論文 参考訳（メタデータ） (2026-05-26T18:00:36Z) - SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。
SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-15T07:26:54Z) - Optimal Counterfactual Search in Tree Ensembles: A Study Across Modeling and Solution Paradigms [6.9087441566570105]
本研究では,木組の最適対実的説明を,可否制約と行動可能性制約の下で計算する問題について検討する。
これは問題である: 固定モデルの場合、反事実探索は、一貫した分岐決定と、距離目標の下でしきい値定義された領域を選択することに沸騰する。
我々は、この構造をCPCF(制約プログラミング)の定式化によって利用し、数値的特徴を分割しきい値によって誘導される区間領域として符号化する。
論文 参考訳（メタデータ） (2026-05-07T16:54:38Z) - Omnimodal Dataset Distillation via High-order Proxy Alignment [59.74134776126595]
本稿では,プロキシ構造を用いて高次クロスモーダルアライメントをキャプチャするHoPAを提案する。
本手法は,一対のモダリティモデリングの複雑さを回避し,不均一なモダリティをまたいだスケーラブルなプロキシ解析を可能にする。
論文 参考訳（メタデータ） (2026-04-12T14:47:41Z) - Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
タブラル異常検出(TAD)は多くの実世界の応用において重要である。
複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。
14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
論文 参考訳（メタデータ） (2026-03-15T14:42:05Z) - Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。
我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。
原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
論文 参考訳（メタデータ） (2025-09-16T17:24:35Z) - Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。
我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
論文 参考訳（メタデータ） (2025-05-07T11:37:23Z) - Tackling Data Heterogeneity: A New Unified Framework for Decentralized
SGD with Sample-induced Topology [6.6682038218782065]
我々は,経験的リスク最小化問題に対して,勾配に基づく最適化手法を統一する汎用フレームワークを開発した。
本稿では,SAGA,Local-SVRG,GT-SAGAなどの分散還元(VR)および勾配追跡(GT)手法の統一的な視点を提供する。
その結果、VRとGTの手法は、それぞれデバイス内およびデバイス間のデータを効果的に排除し、アルゴリズムを最適解に正確に収束させることができることがわかった。
論文 参考訳（メタデータ） (2022-07-08T07:50:08Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Generalized Adversarially Learned Inference [42.40405470084505]
我々は、画像生成器とエンコーダを逆向きにトレーニングし、画像と潜時ベクトル対の2つの結合分布を一致させることにより、GAN内の潜時変数を推定する方法を開発した。
我々は、望まれるソリューションに関する事前または学習知識に基づいて、再構築、自己監督、その他の形式の監督に関する複数のフィードバック層を組み込んだ。
論文 参考訳（メタデータ） (2020-06-15T02:18:13Z)
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。