論文の概要: Localizing Global Discrepancies: Marginal Contributions and Contextual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.28375v1
• Date: Fri, 28 Aug 2026 14:27:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.352529
• Title: Localizing Global Discrepancies: Marginal Contributions and Contextual Anomaly Detection
• Title（参考訳）: グローバルな不一致の局所化:Marginal Contributionsとコンテキスト異常検出
• Authors: Tommaso dorigo,
• Abstract要約: グローバル・グッド・オブ・フィットと不一致の統計は、サンプルが基準分布から出発し、どの観測結果が出発を駆動するかを特定することなく決定することができる。 本研究では, ランダムな統計的文脈にまたがる条件あるいは限界的な寄与を各観測者に割り当てることにより, この局所化問題の枠組みを構築する。 共有ラテント玩具モデルにおいて、コンテキストがイベント自身の機能以外の情報を含むかどうかを問う。
• 参考スコア（独自算出の注目度）: 0.9688708385192246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global goodness-of-fit and discrepancy statistics can establish that a sample departs from a reference distribution without identifying which observations drive the departure. We develop a framework for this localization problem by assigning to each observation its conditional or marginal contribution across random statistical contexts. This connects resampling diagnostics and data valuation to projection theory and event-level anomaly detection. For symmetric statistics, fixed-size replacement is exactly equivalent to centered conditional localization. For U-statistics, the addition score equals the first Hoeffding/Hájek contribution; for smooth distributional functionals it is related at leading order to the influence function; and for unbiased known-background MMD it reduces exactly to the MMD witness. This viewpoint also yields more efficient estimators. Matched-context subtraction removes fluctuations unrelated to the observation, while for pairwise MMD the event-containing terms give a simple localizer. On the LHC Olympics anomaly-detection benchmark, the pair estimator converges to the direct empirical MMD witness with the predicted 1/(Rm^2) scaling, where m is batch size and R the number of batches. At m=1000 and R=5x106 it reaches correlation 0.9993 with essentially identical AUC. We also ask when context contains information beyond an event's own features. In a shared-latent toy model, the full single-event signal and background distributions are identical by construction, forcing isolated-event AUC=0.5. Discriminating information survives only in cross-event dependence induced by the shared latent parameter; the ensemble recovers this information, whereas an independent-latent control does not. This separates two roles of context: efficient localization of a global discrepancy and genuinely additional class information when the alternative contains shared structure.
• Abstract（参考訳）: グローバル・グッド・オブ・フィットと不一致の統計は、サンプルが基準分布から出発し、どの観測結果が出発を駆動するかを特定することなく決定することができる。 本研究では, ランダムな統計的文脈にまたがる条件付きあるいは限界的な寄与を各観測者に割り当てることにより, この局所化問題の枠組みを構築する。 これは再サンプリング診断とデータ評価をプロジェクション理論とイベントレベルの異常検出に結びつける。 対称統計学では、固定サイズの置換は、ちょうど中心的条件付き局所化と等価である。 U-統計学では、加算スコアは最初のHoeffding/Hájekの寄与と等しく、スムーズな分布関数では影響関数の順に導かれる。 この観点からはより効率的な推定器も得られる。 一致したコンテキストサブトラクションは観測と無関係なゆらぎを除去し、ペアのMDDではイベントを含む用語は単純なローカライザを与える。 LHCオリンピック異常検出ベンチマークでは、ペア推定器は予測された1/(Rm^2)スケーリングで直接経験的MDD証人に収束し、mはバッチサイズ、Rはバッチ数である。 m=1000 と R=5x106 では、基本的に同じ AUC で 0.9993 に達する。 また、コンテキストにイベント自身の機能以外の情報が含まれているかどうかも尋ねます。 共有遅延玩具モデルでは、完全な単一イベント信号と背景分布は構成によって同一であり、孤立イベントAUC=0.5を強制する。 識別情報は共有潜伏パラメータによって誘導されるクロスイベント依存の中でのみ生存し、アンサンブルはこの情報を回復するが、独立潜伏制御は保持しない。 これは、大域的な不一致の効率的な局所化と、その代替が共有構造を含む場合に真に追加されるクラス情報という2つのコンテキストの役割を分離する。

関連論文リスト

• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• A Mutual Information Lower Bound for Multimodal Regression Active Learning [9.04041860173466]
  Mutual Information Lower Bound (MI-LB) は、Mixture Network アンサンブルのクローズドフォーム近似である。 我々は,MI-LBがマルチモーダルシステムを備えたベンチマークで評価されたベースラインのすべてに一致または打ち勝つことを示す。
  論文  参考訳（メタデータ） (2026-05-14T14:50:47Z)
• Semiparametric Efficient Test for Interpretable Distributional Treatment Effects [22.387735135790702]
  カーネルテストは介入結果法則の相違を検出することができるが、グローバルテストは法の相違点を明らかにしない。 本稿では, DR-ME法を応用し, 最初の半原理的に効率的な有限配置法を提案する。
  論文  参考訳（メタデータ） (2026-05-08T17:23:34Z)
• Causal Imitation Learning Under Measurement Error and Distribution Shift [6.038778620145853]
  ノイズ測定によってのみ、決定関連状態の一部が観察される場合、オフライン模倣学習(IL)について検討する。 本稿では,変数間の因果関係を明示的にモデル化することによって,測定誤差下でのILの一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:06:53Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Cycle Consistent Probability Divergences Across Different Spaces [38.43511529063335]
  確率分布の相違は、統計的推測と機械学習の核心にある。 本研究は, 異方性, 異方性, 異方性, 異なる空間上の分布をマッチングするための, アンバランスなモンジュ最適輸送定式化を提案する。
  論文  参考訳（メタデータ） (2021-11-22T16:35:58Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)

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。