InQMAD：增量量子测量异常检测

流式异常检测是指在数据流中检测异常数据样本的问题。这个问题带来了经典和深度异常检测方法未能应对的挑战，例如概念漂移和持续学习。SOTA 流式异常检测方法依赖于使用哈希函数或最近邻的固定内存，它们可能无法像移动平均那样约束高频值，也无法移除无缝异常值，并且无法在端到端深度学习架构中进行训练。我们提出了一种新的增量异常检测方法，该方法基于随机傅里叶特征以及量子测量和密度矩阵机制执行持续密度估计，可被视为指数移动平均密度。它可以处理潜在无限的数据，其更新复杂度为常数 $O(1)$。我们展示了使用 12 个流式数据集对 12 种 SOTA 流式异常检测算法进行的系统评估。