論文の概要: BREAD: Baseline-Referenced Explanations for Anomaly Diagnosis

• arxiv url: http://arxiv.org/abs/2608.10587v1
• Date: Tue, 11 Aug 2026 07:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.934421
• Title: BREAD: Baseline-Referenced Explanations for Anomaly Diagnosis
• Title（参考訳）: BREAD: 異常診断のためのベースライン関連説明
• Authors: Jiaqi Qiu, Rob Goedhart, Jannis Kurtz, Inez M. Zwetsloot,
• Abstract要約: 本稿では,異常観測情報と正規基準情報の両方を用いた,スケーラブルなベースライン参照診断手法を提案する。 平均シフト異常条件下では, 提案手法は, LIMEと比較して, 異常の原因となる特徴を検出する上で, 忠実度が高いことを数学的保証する。
• 参考スコア（独自算出の注目度）: 2.1999185330214828
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Artificial Intelligence (AI)-based prospective anomaly detection methods are increasingly deployed in high-dimensional and nonlinear settings. Among these approaches, AI-based statistical process monitoring (SPM) is widely used, providing a structured framework for prospective monitoring. Once an anomaly is detected, a diagnosis method is needed to identify the features driving the flagged observation away from normal behaviour. Traditional SPM diagnosis methods are typically designed for specific detection models and cannot be directly applied to AI-based methods. Model-agnostic explainable AI (XAI) offers a general framework for feature relevance explanation. However, existing methods suffer from scalability limitations or assign relevance to noise features, reducing diagnosis accuracy. We propose a scalable, baseline-referenced diagnosis method that uses both the anomalous observation and normal baseline information. We provide mathematical guarantees that under a mean-shift anomaly setting, the proposed method achieves higher faithfulness in detecting the features causing the anomaly compared to LIME. Simulation studies and a real-world case study validate the effectiveness of the proposed method and show that it generates more faithful and accurate diagnosis results for AI-based prospective anomaly detection methods.
• Abstract（参考訳）: 人工知能(AI)に基づく予測異常検出手法は、高次元および非線形な設定でますます展開されている。 これらのアプローチの中で、AIベースの統計プロセス監視(SPM)が広く使われ、予測監視のための構造化されたフレームワークを提供する。 異常が検出されると、フラグ付き観察を通常の行動から遠ざける特徴を識別するために診断方法が必要である。 従来のSPM診断法は、通常特定の検出モデルのために設計されており、AIベースの方法に直接適用することはできない。 モデルに依存しない説明可能なAI(XAI)は、機能関連の説明のための一般的なフレームワークを提供する。 しかし、既存の手法はスケーラビリティの限界に悩まされ、ノイズの特徴に関連があり、診断精度が低下する。 本稿では,異常観測情報と正規基準情報の両方を用いた,スケーラブルなベースライン参照診断手法を提案する。 平均シフト異常条件下では, 提案手法は, LIMEと比較して異常の原因となる特徴を検出する上で, 忠実度が高いことを数学的に保証する。 シミュレーション研究と実世界のケーススタディにより提案手法の有効性が検証され,AIに基づく予測異常検出手法のより忠実で正確な診断結果が得られた。

関連論文リスト

• Conditional anomaly detection methods for patient-management alert systems [14.876699168760304]
  最近提案された条件付き異常検出フレームワークは、異常検出を拡張し、データ内の属性のサブセット上の異常パターンを特定する。 本稿では,条件付き異常を検出するインスタンスベースの手法について述べる。 実世界の2つの検出問題に対するインスタンスベースの手法の利点を示す。
  論文  参考訳（メタデータ） (2026-05-11T16:58:48Z)
• MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
  2段階の診断推論フレームワークであるMultiDxを提案する。 まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。 そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
  論文  参考訳（メタデータ） (2026-04-27T08:46:29Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Research on Anomaly Detection Methods Based on Diffusion Models [4.979627412142658]
  異常検出は機械学習とデータマイニングの基本的な課題であり、サイバーセキュリティ、産業障害診断、臨床疾患モニタリングに重要な応用がある。 統計モデリングや機械学習ベースのアプローチといった従来の手法は、複雑で高次元のデータ分散を扱う際の課題に直面することが多い。 本稿では,拡散確率モデル(DPM)の長所を利用して,画像および音声データの異常を効果的に識別するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-08T11:19:08Z)
• Unsupervised Anomaly Detection Using Diffusion Trend Analysis for Display Inspection [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 本稿では,劣化度に応じて再構成傾向の分析により異常を検出する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Diagnosis driven Anomaly Detection for CPS [44.97616703648182]
  本稿では、深層学習に基づく異常検出を利用して、一貫性に基づく診断(CBD)のための入力を生成する手法を提案する。 我々は、シミュレーションと実世界のCPSデータセットに対する我々のアプローチを評価し、我々のモデルは、他の最先端モデルと比較して強い性能を示す。
  論文  参考訳（メタデータ） (2023-11-27T15:34:40Z)
• Generalized Out-of-distribution Fault Diagnosis (GOOFD) via Internal Contrastive Learning [8.583116999933731]
  本稿では,診断サブタスクを統合するために,一般化されたアウト・オブ・ディストリビューション障害診断フレームワークを提案する。 内部のコントラスト学習とマハラノビス距離に基づく統一的な断層診断手法が提案手法の基盤となる。 提案手法は,複数の故障診断タスクに適用可能であり,既存の単一タスク法よりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-06-27T07:50:25Z)

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。