基于张量副骨架分解的鲁棒异常检测
机器学习
2025-03-05 v3
摘要
异常检测在现代数据驱动的应用中发挥着关键作用，从识别欺诈交易、保护网络基础设施到监控传感器系统以识别异常模式。传统方法，如距离、密度或聚类方法，在应用于高维张量数据时面临诸多挑战，因为维度间复杂的相互作用会放大噪声和计算复杂度。为此，本文利用张量 Chidori 副骨架分解构建基于张量鲁棒主成分分析的框架，以提取低 Tucker 秩结构，同时隔离稀疏异常，确保异常检测的鲁棒性。我们建立了关于收敛性和估计误差的理论结果，表明所提出方法具有稳定性和准确性。在纽约市出租车行程记录的真实时空数据上的数值实验表明，所提出方法在检测异常城市事件方面优于现有基准方法。我们的结果表明，张量副骨架分解可能为增强大规模高维数据异常检测提供潜在优势。
引用
@article{arxiv.2502.09926,
title = {Robust Anomaly Detection via Tensor Pseudoskeleton Decomposition},
author = {Bowen Su},
journal= {arXiv preprint arXiv:2502.09926},
year = {2025}
}