SCoNE：用于有效且高效多视图异常检测的球形一致邻域集合
机器学习
2025-12-08 v1
摘要
多视图异常检测的核心问题在于准确地在所有视图中一致地表示正常实例的局部邻域。最近的研究方法独立地在每个视图中表示局部邻域，然后通过学习过程捕获跨所有视图的一致邻居，但存在两个关键问题：其一，无法保证能够良好地捕获一致邻居，尤其当相同邻居在不同视图中位于密度不同的区域时，这会导致检测准确率较低；其二，学习过程的计算复杂度为 ，因此难以应用于大规模数据集。为解决这些问题，我们提出了一种新方法，称为球形一致邻域集合（SCoNE）。该方法具有两个独特特征：（a）一致邻域直接使用多视图实例表示，无需像现有方法中使用的中间表示；（b）邻域具有数据依赖性，这导致在稀疏区域产生较大的邻域，而在稠密区域产生较小的邻域。数据依赖性使不同视图中的局部邻域能够无需学习地表示为一致邻域，从而实现 的时间复杂度。经验评估表明，SCoNE 在检测准确率方面优于现有方法，在大规模数据集上运行速度快了数量级。
引用
@article{arxiv.2512.05540,
title = {SCoNE: Spherical Consistent Neighborhoods Ensemble for Effective and Efficient Multi-View Anomaly Detection},
author = {Yang Xu and Hang Zhang and Yixiao Ma and Ye Zhu and Kai Ming Ting},
journal= {arXiv preprint arXiv:2512.05540},
year = {2025}
}