局部化核投影异常检测：面向多模态异常检测的两阶段方法
机器学习
2025-11-04 v3 机器学习
摘要
本文提出了 Two-Stage LKPLO，一种新的多阶段异常检测框架，克服了传统投影基方法的局限性：即其对固定统计度量的依赖以及对单一数据结构的假设。我们的框架独特地融合了三个关键概念：(1) 基于广义损失的异常性度量 (PLO)，用灵活、自适应的损失函数替代固定度量，如我们提出的类似 SVM 的损失函数；(2) 全局核主成分分析阶段用于线性化非线性数据结构；(3) 随后的局部聚类阶段处理多模态分布。对 10 个基准数据集进行全面的 5 折交叉验证实验，采用自动化超参数优化，表明 Two-Stage LKPLO 实现了最先进的性能。它在结构具有挑战性的数据集上显著优于强基准，尤其是在多簇数据 (Optdigits) 和复杂高维数据 (Arrhythmia) 上。此外，消融研究实证表明，核化和局部分阶段的协同组合对于其卓越性能至关重要。该工作为一类重要的异常检测问题贡献了强大的新工具，强调了混合、多阶段架构的重要性。
引用
@article{arxiv.2510.24043,
title = {Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection},
author = {Akira Tamamori},
journal= {arXiv preprint arXiv:2510.24043},
year = {2025}
}
备注
10 pages, 4 figures; submitted to The IEICE Transactions on Information and Systems