Fugu-MT 論文翻訳(概要): Witnesses Explain Anomalies

論文の概要: Witnesses Explain Anomalies

arxiv url: http://arxiv.org/abs/2609.03826v1
Date: Thu, 03 Sep 2026 13:26:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-04 18:28:39.087647
Title: Witnesses Explain Anomalies
Title（参考訳）: Witnesss Explain Anomalies
Abstract要約: WANDは、設計によって説明可能な、教師なしの異常検知器である。射影がガウス以下の極値基底線からどれだけ離れているかで各点をスコアする。我々のアプローチの独創性は、特徴空間のベクトルである点にフラグを付ける証人方向が、その説明であるということである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unsupervised anomaly detection scores each point of an unlabelled, contaminated sample in a single pass, and increasingly must also explain why a point is flagged. Yet the dominant detectors give a score with no account of which features drive it, and explanations are bolted on post-hoc with SHAP or LIME, which re-query the detector thousands of times per point and only approximate it. We introduce WAND, an unsupervised tabular anomaly detector that is explainable by design. WAND organises its computation around directions on the unit sphere, scoring each point by how far its projection escapes a sub-Gaussian extreme-value baseline. The originality of our approach is that the witness directions that flag a point, being vectors in feature space, are its explanation, a per-feature attribution obtained at no cost over scoring and, since the score is differentiable, recoverable by gradients. Scoring is linear in the sample size, and a probe-efficiency bound guarantees every anomaly a witness, hence an explanation. Across 47 ADBench datasets WAND attains the best mean Friedman rank at ROC-AUC parity with 16 unsupervised baselines, so the gain is interpretability at no accuracy cost; its native explanations are more accurate and faithful than post-hoc SHAP/LIME and ECOD at a fraction of the query cost. WAND is thus a practical, interpretable solution for explainable anomaly detection.
Abstract（参考訳）: 教師なし異常検出は、不正で汚染されたサンプルの各点を単一のパスでスコアし、なぜポイントがフラグ付けされたのかを説明する必要がある。しかし、支配的な検出器は、どの特徴がそれを駆動するかを考慮せずにスコアを与え、説明はSHAPやLIMEでポストホックでボルトされる。 WANDは,非教師付きタブ状異常検知器であり,設計上説明可能である。 WANDは単位球上の方向の計算を整理し、その射影がガウス以下の極値基底線からどれだけ遠くへ逃げるかで各点をスコア付けする。提案手法の独創性は,特徴空間のベクトルである点をフラグする目撃者の指示は,その説明であり,スコアよりもコストがかからず,スコアが微分可能であり,勾配によって回復可能であることである。スコアリングはサンプルサイズで線形であり、プローブ効率境界はすべての異常を証人として保証する。 47 ADBenchデータセットのWADは、ROC-AUCパリティで16の教師なしベースラインでFriedmanランクを達成しているため、そのゲインは正確性のないコストで解釈可能であり、そのネイティブ説明は、クエリコストのごく一部で、ポストホックSHAP/LIMEやECODよりも正確で忠実である。したがって、WADは説明可能な異常検出のための実用的で解釈可能なソリューションである。

関連論文リスト

Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
論文参考訳（メタデータ） (2026-09-03T14:05:27Z)
How Do Linear Probes Emerge? A Circuit-Tracing Framework with Concept-Targeted Attribution [49.01642339390897]
CTA(Concept-Targeted Attribution)は、線形プローブ方向に関する属性グラフを訓練する。 CTAは、なぜ内部概念表現がプロンプトに現れるのかを説明するプローブ固有の回路を生成する。
論文参考訳（メタデータ） (2026-08-27T08:12:49Z)
Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
論文参考訳（メタデータ） (2026-08-10T19:42:01Z)
Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
論文参考訳（メタデータ） (2026-07-29T08:00:49Z)
Two Regimes of Chain-of-Thought Unfaithfulness: Behavioral Detection Fails Where Models Are Wrong [1.2744523252873352]
ブラックボックス(行動)によるFaithCoT-Benchの人間のアノテーションに対する不誠実なCoTの検出。答えの正しさはあらゆるレベルで問題を構成する。
論文参考訳（メタデータ） (2026-07-26T04:43:53Z)
Demystifying Variance in Circuit Discovery of LLMs [51.97489679448601]
我々は,再サンプリングのばらつきを大幅に軽減する新しい回路探索法を開発した。テンプレートの異なるプロンプトは、モデル内の異なる回路を活性化する傾向があるため、リフレージングのばらつきが生じることを示す。我々は、よりコンパクトで解釈可能なタスク回路を形成すると主張されている空間性は、この問題の解決に失敗すると主張している。
論文参考訳（メタデータ） (2026-06-15T16:25:07Z)
Conformal calibration and look-elsewhere effect in anomaly detection for new-physics searches [0.0]
機械学習による異常検出は、新しい物理学の探索を再構築している。本稿では,共形予測に基づく校正層を提案する。
論文参考訳（メタデータ） (2026-06-11T18:00:02Z)
Pando: Do Interpretability Methods Work When Models Won't Explain Themselves? [53.07826484214082]
モデル・オーガニゼーションのベンチマークであるPandoを紹介します。 Pandoは、ラベル付きクエリ-レスポンスペアから、ホールドアウトモデル決定を予測する。説明が忠実であれば、ブラックボックスの引用はすべてのホワイトボックスメソッドに一致するか、超える。
論文参考訳（メタデータ） (2026-04-13T06:42:24Z)
SELFDOUBT: Uncertainty Quantification for Reasoning LLMs via the Hedge-to-Verify Ratio [0.038379177968040606]
言語モデル推論のための単一パス不確実性フレームワークであるSELFDOUBTを提案する。私たちのキーシグナルであるHedge-to-Verify Ratio(HVR)は、推論トレースが不確実性マーカーを含むかどうかを検出し、もしそうであれば、明示的な自己チェック行動によってオフセットされているかどうかを検出する。 SELFDOUBTは単一の観測された推論軌道で動作し、任意のプロプライエタリなAPI上でのレイテンシとコスト制約によるデプロイメントに適している。
論文参考訳（メタデータ） (2026-04-07T19:19:29Z)
Latent Veracity Inference for Identifying Errors in Stepwise Reasoning [78.29317733206643]
本稿では、精度割当てに対する離散探索アルゴリズムであるVeracity Search(VS)を紹介する。その他の方法では、後続の精度値よりも後続の分布において難解な推論を行う。 VSを一般化し、新しいコンテキストで正確なゼロショットの精度推論を可能にする。
論文参考訳（メタデータ） (2025-05-17T04:16:36Z)
A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
論文参考訳（メタデータ） (2025-02-18T22:07:36Z)
Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文参考訳（メタデータ） (2023-10-25T10:10:07Z)

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。