Статистические данные > Методология [представлена 19 мая 2026 года v1), последняя пересмотренная 15 сентября 2026 (настоящая версия, v2) Мы разрабатываем метод, который одновременно повышает надежность и интерпретируемость в этом контексте путем установления связи между стохастическими процессами с разделимыми структурами ковариатуры и соответствующим матричным распределением их базовых представлений. Используя эту связь, мы используем недавно разработанный матричной изменчивый эквивалент минимально-котерминированного оценщика (MMCD) в сочетании с усеченным многовариантным функциональным полурасстоянием Махаланобиса для точной оценки среднего значения и коварности многомерных функциональных данных. Для интерпретируемого обнаружения чрезмерных выбросов мы обобщаем многовариантные экспериментальные объяснения на основе значений Шапли, с тем чтобы разложить общую многомерную функциональную отличность в конкретный вклад по времени. Важно, что мы сокращаем экспоненциальную вычислительную сложность (относительную к числу компонентов) до линейной сложности при сохранении ключевых свойств значения Шапли. Эта комплексная система сочетает надежные дистанции Махаланобиса, оценки MMCD и разложение на основе стоимости Shapley для обеспечения надежного и интерпретируемого подхода к анализу многовариантных функциональных данных с разделимыми коварными структурами. Эффективность этого подхода подтверждается как теоретическим анализом, так и практическим применением, включая моделирование и…
Разъяснительное внешнее обнаружение многовариантных функциональных данных
arXiv:2605.20325v2 Вид уведомления: заменить резюме: Эта работа направлена на решение проблем, связанных с надежной оценкой коварианности и интерпретируемым обнаружением выпадающих значений для многомерных функциональных данных с раздельной структурой коварации. Мы разрабатываем метод, который одновременно повышает надежность и интерпретируемость в этом контексте путем установления связи между стохастическими процессами с разделимыми структурами ковариатуры и соответствующим матричным распределением их базовых представлений. Используя эту связь, мы используем недавно разработанный матричной изменчивый эквивалент минимально-котерминированного оценщика (MMCD) в сочетании с усеченным многовариантным функциональным полурасстоянием Махаланобиса для точной оценки среднего значения и коварности многомерных функциональных данных. Для интерпретируемого обнаружения чрезмерных выбросов мы обобщаем многовариантные экспериментальные объяснения на основе значений Shaply, с тем чтобы разложить общую многомерную функциональную исходность в континуум по времени