HBOS（Histogram-Based Outlier Score）は、計算効率と単純さで広く使用されている異常値検出方法ですが、特徴間の独立性を想定しているため、特徴間の相互作用が重要なデータセットで異常値を検出する能力が制限されます。本論文では、特徴ペア間の依存性を捉えるために、2次元ヒストグラムを統合してHBOSを向上させたEHBOS（Extended Histogram-Based Outlier Score）を提案します。この拡張により、EHBOSはHBOSが検出できない状況的および依存性ベースの異常を識別できます。 17個のベンチマークデータセットを使用して、EHBOSの効果と堅牢性をさまざまな異常検出シナリオで評価したところ、特徴相互作用が異常構造を定義する上で重要な複数のデータセットでHBOSよりも優れており、ROC AUCで大幅な改善を達成しました。これらの結果は、EHBOSが複雑な特徴依存性をモデル化できるHBOSの貴重な拡張であることを示しています。特に、状況的または関係的な異常が重要な役割を果たすデータセットでは、EHBOSは強力な新しい異常検出ツールを提供します。
