基于字典表示学习的半监督多视图支持向量数据描述异常检测框架SMDL-SVDD

《Sensors》:Semi-Supervised Multi-View SVDD via Manifold-Regularized Dictionary Learning for Anomaly Detection

【字体: 大 中 小 】 时间:2026年09月27日 来源:Sensors 4.0

编辑推荐:

   摘要

  

摘要

当标签稀缺且数据由多个异构视图描述时,异常检测变得 considerably 困难。少量有标签样本往往难以很好地界定正常区域,而无标签数据池本身也常受异常样本污染,因此将无标签数据视为正常并用于单类边界约束会引入错误的监督信号。为此,我们提出了 SMDL-SVDD,一个基于字典表示学习的半监督多视图支持向量数据描述(SVDD)框架。其核心思想是让无标签样本在表示层面发挥作用,而非在 SVDD 边界上发挥作用,从而不对它们施加任何类别假设。SMDL-SVDD 在每个视图中联合学习一个合成字典和一个分析字典以获得稀疏表示,并且仅使用少量有标签正常样本和有标签异常样本来约束 SVDD 超球体。对所有训练样本施加图拉普拉斯正则化以保持局部流形结构,同时通过无标签样本上的跨视图一致性项来利用其几何分布并在视图间共享信息。随后将各视图的决策函数融合为单一的异常得分。我们通过交替凸搜索来求解该联合优化问题,并分析了其收敛性。在从六个公开数据集派生的 23 个异常检测任务上,SMDL-SVDD 在 21 个任务上取得了最高的接收者操作特征曲线下面积(AUC),相比单视图单类方法,平均 AUC 提高了 8.87–10.62 个百分点;相比代表性半监督检测器提高了 5.10–7.64 个百分点;相比多视图单类方法提高了 4.11–5.24 个百分点。显著性、噪声、标签比例、参数、收敛性、消融及运行时实验均证实了性能提升的稳定性;消融实验表明,流形正则化对性能提升贡献显著,并与跨视图一致性约束形成互补作用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号