Toward Universal Laws of Outlier Propagation

要約

アルゴリズム情報理論（AIT）は、いわゆるランダム性欠乏の観点から外れ値を定量化する原則的な方法を認めていると主張します。
因果ベイジアンネットワークによって生成される確率分布については、関節状態のランダム性欠乏が、メカニズムの原則の独立性を条件として、各因果メカニズムのランダム性欠陥に分解することを示します。
したがって、異常な関節観測は、それらの根本原因、つまり異常に動作するメカニズムに定量的に起因する可能性があります。
ランダム性保存のレビンの法則の延長として、メカニズムの独立性がもたらされると、弱い外れ値が強力なものを引き起こすことができないことを示しています。
これらの情報理論法が、既存のスコアに関して定義された外れ値の動作をよりよく理解する方法を示します。

要約(オリジナル)

We argue that Algorithmic Information Theory (AIT) admits a principled way to quantify outliers in terms of so-called randomness deficiency. For the probability distribution generated by a causal Bayesian network, we show that the randomness deficiency of the joint state decomposes into randomness deficiencies of each causal mechanism, subject to the Independence of Mechanisms Principle. Accordingly, anomalous joint observations can be quantitatively attributed to their root causes, i.e., the mechanisms that behaved anomalously. As an extension of Levin’s law of randomness conservation, we show that weak outliers cannot cause strong ones when Independence of Mechanisms holds. We show how these information theoretic laws provide a better understanding of the behaviour of outliers defined with respect to existing scores.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google