Модель D2H-AD на основе гиперразмерных вычислений превзошла классические алгоритмы обнаружения аномалий

Специалисты в области машинного обучения разработали D2H-AD — гибридную модель для обнаружения аномалий на основе гиперразмерных вычислений (HDC). Этот мозгоподобный подход использует распределённые векторы высокой размерности, что позволяет обрабатывать данные на граничных устройствах с низким энергопотреблением.

В отличие от традиционных HDC-методов, D2H-AD объединяет оценку расстояния и плотности в едином фреймворке. Это улучшает представление аномалий и повышает точность. В ходе аблиционных исследований выяснилось, что только гиперразмерное кодирование даёт прирост ROC-AUC до 5,4% по сравнению с применением тех же метрик в исходном пространстве признаков.

Авторы сравнили D2H-AD с пятью базовыми алгоритмами: HDAD, ODHD, One-Class SVM, Isolation Forest и Autoencoders. На всех пяти эталонных наборах данных новая модель превзошла их по F1-мере и ROC-AUC. Она также продемонстрировала устойчивость к дисбалансу классов, шуму и сложности данных.

Ключевые преимущества D2H-AD — лёгкость, интерпретируемость и вычислительная эффективность. Благодаря двоичным операциям и компактному дизайну модель имеет малый объём памяти и низкую задержку. Это делает её привлекательной для развёртывания в средах TinyML и периферийного ИИ.

Области применения включают здравоохранение, кибербезопасность, умные электросети и Интернет вещей. Разработка подтверждает потенциал гиперразмерных вычислений для точного, интерпретируемого и энергоэффективного обнаружения аномалий в динамических системах.