使用随机傅里叶变换改进变分自编码器：航空安全异常检测案例研究
机器学习
2026-02-26 v3 人工智能
系统与控制
系统与控制
摘要
在本研究中，我们聚焦于深度神经网络（DNNs）的训练过程和推断改进，具体为自动编码器（AEs）和变分自编码器（VAEs），并使用随机傅里叶变换（RFT）。我们进一步探讨了 RFT 在模型训练行为中的作用，利用频率原理（F-原理）分析，表明使用 RFT 的模型会同时学习低频和高频特征，而传统 DNNs 则从低频开始，逐渐学习（如果成功）高频特征。我们专注于基于重构的异常检测，使用自动编码器和变分自编码器，并研究 RFT 的作用。我们还引入了一个可训练的 RFT 变体，该变体利用现有的计算图来训练 RFT 的扩展，而非将其保持为随机。我们以两个低维合成数据集用于数据表示，并以一个名为 Dashlink 的航空安全数据集用于高维重构式异常检测。结果表明，采用傅里叶变换的模型在性能上优于传统方法，而关于使用可训练傅里叶变换相对于随机变体的优势尚无定论。
引用
@article{arxiv.2601.01016,
title = {Improving Variational Autoencoder using Random Fourier Transformation: An Aviation Safety Anomaly Detection Case-Study},
author = {Ata Akbari Asanjan and Milad Memarzadeh and Bryan Matthews and Nikunj Oza},
journal= {arXiv preprint arXiv:2601.01016},
year = {2026}
}