离群值传播的普遍规律

当各种异常特征激励对不同样本标记为离群值时，算法信息论（Algorithmic Information Theory, AIT）提供了一种以样本随机性缺乏程度（randomness deficiency）统一这些离群值的原则方法。基于算法马尔可夫条件约束下的因果贝叶斯网络，我们展示，联合样本的随机性缺乏程度可分解为每个因果机制上随机性缺乏程度之和。因此，可将异常观测归因于其根本原因，即异常行为的机制。我们在 Levin 的随机性守恒定律基础上扩展，表明弱离群值不可能引发强离群值。我们展示了这些信息论规律如何帮助更好地理解离群值检测与归因，在更具体的离群值得分方法的背景下达到更深入的认识。