智能AI
morning
D2H-AD：利用超维计算进行高级异常检测的混合模型
2026-06-15
1 阅读
Ghazal Ghajari, Elaheh Ghajari, Ashutosh Ghimire, Saeid Ataei, Faris Alsulami, Fathi Amsaad
arXiv:2606.13754v1 公告类型：新 摘要：异常检测是智能系统的基本组成部分，应用于医疗保健、网络安全、智能电网和物联网环境。尽管传统的机器学习和深度学习方法已证明在识别异常方面有效，但它们通常依赖于大型标记数据集，会产生高昂的计算成本，并且在边缘和高维设置中面临可扩展性挑战。本文提出了 D2H-AD，这是一种基于超维计算（HDC）的新型异常检测框架，HDC 是一种使用高维分布式向量表示信息的大脑启发范式。与现有的基于 HDC 的方法不同，D2H-AD 在统一框架内集成了基于距离的相似性和密度感知编码，从而提高了异常表示和检测性能。消融研究表明，与直接在原始特征空间中应用相同的密度距离评分相比，单独的超维编码产生的 ROC-AUC 高出 5.4%。此外，在所有评估的数据集中，D2H-AD 始终优于五个已建立的基线，即 HDAD、ODHD、One-Class SVM、Isolation Forest 和 Autoencoders。该框架轻量级、可解释且计算高效，使其适合资源受限的实时应用程序。我们在五个基准数据集上验证了 D2H-AD，并展示了卓越的 F1 分数和 ROC-AUC 性能，以及对类别不平衡、噪声和数据复杂性的鲁棒性。除了提高精度之外，D2H-AD 还提供可扩展性、较小的内存占用以及通过二进制计算和紧凑设计实现的低延迟操作。这些特性使其对于 TinyML 和边缘 AI 部署特别有吸引力。所提出的框架强调了 HDC 在动态环境中进行准确、可解释且节能的异常检测的潜力。