图正则化 MS-SVDD：一种用于智能电网异常检测的多模态子空间学习方法
机器学习
2026-04-24 v2 系统与控制
系统与控制
摘要
智能电网的异常检测因传感器数据流的复杂性、异构性和动态性而面临重大挑战。现有的单类分类方法，特别是子空间支持向量数据描述（SVDD），已扩展到多模态场景，但常未充分利用跨模态的结构依赖，限制了其在实际应用中的鲁棒性。本文通过提出一种带图嵌入正则化的通用多模态子空间支持向量数据描述（MS-SVDD）模型来弥补这一差距。该方法在保持模态特定结构的同时，通过拉普拉斯正则化将来自多个模态的数据投影到共享的低维子空间。我们在源自智能电网事件时间序列的三模态数据集上评估了该方法，采用专用的预处理管道构建单类分类训练样本。结果表明，图嵌入的 MS-SVDD 在异常事件检测方面优于传统方法，凸显了将图先验与多模态子空间学习集成以推进关键基础设施异常检测潜力的前景。更广泛地说，本工作为人工智能领域的更广泛应用贡献了思考框架，说明如何系统性地将关系和结构信息嵌入单类模型中，以实现在复杂、高维和多模态条件下的稳健学习。
引用
@article{arxiv.2502.15793,
title = {Anomaly Detection in Smart Power Grids with Graph-Regularized MS-SVDD: a Multimodal Subspace Learning Approach},
author = {Thomas Debelle and Fahad Sohrab and Pekka Abrahamsson and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2502.15793},
year = {2026}
}
备注
23 pages, 5 figures, supplementary material