基于流形正则化的大间隙 $\ell_p$-SVDD 用于多维时间序列异常检测
机器学习
2025-08-05 v2
摘要
我们将最近引入的大间隙 -SVDD 方法推广到利用数据分布几何结构通过流形正则化进行时间序列异常检测。具体而言，我们提出了一种流形正则化变体的 -SVDD 方法，以鼓励标签在潜在流形上的平滑性，以捕获结构信息以提高检测性能。基于现有的表示定理，我们为所提方法提供了有效的优化技术。我们使用 Rademacher 复杂度进行理论分析，以探讨其泛化性能，并通过实验评估所提方法在各种数据集上的性能，以比较其他方法的性能。
引用
@article{arxiv.2507.23449,
title = {Manifold-regularised Large-Margin $\ell_p$-SVDD for Multidimensional Time Series Anomaly Detection},
author = {Shervin Rahimzadeh Arashloo},
journal= {arXiv preprint arXiv:2507.23449},
year = {2025}
}