論文の概要: D2H-AD: A Hybrid Model Utilizing Hyperdimensional Computing for Advanced Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.13754v1
• Date: Thu, 11 Jun 2026 16:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.546766
• Title: D2H-AD: A Hybrid Model Utilizing Hyperdimensional Computing for Advanced Anomaly Detection
• Title（参考訳）: D2H-AD:高度異常検出のための超次元計算を利用したハイブリッドモデル
• Authors: Ghazal Ghajari, Elaheh Ghajari, Ashutosh Ghimire, Saeid Ataei, Faris Alsulami, Fathi Amsaad,
• Abstract要約: 本稿では,超次元計算(HDC)に基づく新しい異常検出フレームワークD2H-ADを提案する。 既存のHDCベースの手法とは異なり、D2H-ADは距離ベースの類似性と密度認識符号化を統一されたフレームワークに統合し、異常表現と検出性能を向上させる。 我々は,5つのベンチマークデータセット上でD2H-ADを評価し,F1スコアとROC-AUCのパフォーマンスと,クラス不均衡,ノイズ,データ複雑性に対する堅牢性を示す。
• 参考スコア（独自算出の注目度）: 0.09851812512860349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is a fundamental component of intelligent systems with applications in healthcare, cybersecurity, smart grids, and IoT environments. Although conventional machine learning and deep learning methods have demonstrated effectiveness in identifying anomalies, they often rely on large labeled datasets, incur high computational costs, and face scalability challenges in edge and high-dimensional settings. This paper presents D2H-AD, a novel anomaly detection framework based on Hyperdimensional Computing (HDC), a brain-inspired paradigm that represents information using high-dimensional distributed vectors. Unlike existing HDC-based methods, D2H-AD integrates distance-based similarity and density-aware encoding within a unified framework, improving anomaly representation and detection performance. Ablation studies show that hyperdimensional encoding alone yields up to 5.4% higher ROC-AUC than applying the same density-distance scoring directly in the original feature space. Furthermore, D2H-AD consistently outperforms five established baselines, namely HDAD, ODHD, One-Class SVM, Isolation Forest, and Autoencoders, across all evaluated datasets. The framework is lightweight, interpretable, and computationally efficient, making it suitable for resource-constrained and real-time applications. We validate D2H-AD on five benchmark datasets and demonstrate superior F1-score and ROC-AUC performance, together with robustness to class imbalance, noise, and data complexity. In addition to improved accuracy, D2H-AD offers scalability, a small memory footprint, and low-latency operation enabled by binary computations and a compact design. These properties make it particularly attractive for TinyML and edge AI deployments. The proposed framework highlights the potential of HDC for accurate, interpretable, and energy-efficient anomaly detection in dynamic environments.
• Abstract（参考訳）: 異常検出は、医療、サイバーセキュリティ、スマートグリッド、IoT環境において、インテリジェントシステムの基本的なコンポーネントである。 従来の機械学習とディープラーニングの手法は異常を識別する効果を示したが、しばしば大きなラベル付きデータセットに頼り、高い計算コストを発生させ、エッジや高次元の設定においてスケーラビリティの課題に直面している。 本稿では,高次元分布ベクトルを用いた情報表現手法であるHyperdimensional Computing (HDC) に基づく新しい異常検出フレームワークであるD2H-ADを提案する。 既存のHDCベースの手法とは異なり、D2H-ADは距離ベースの類似性と密度認識符号化を統一されたフレームワークに統合し、異常表現と検出性能を向上させる。 アブレーションによる研究によると、高次元符号化だけでは、元の特徴空間で直接、同じ密度距離のスコアを適用するよりも最大5.4%高いROC-AUCが得られる。 さらに、D2H-ADは、すべての評価データセットでHDAD、ODHD、ワンクラスSVM、分離フォレスト、オートエンコーダの5つの確立されたベースラインを一貫して上回っている。 このフレームワークは軽量で、解釈可能で、計算効率が良く、リソースに制約のあるリアルタイムアプリケーションに適している。 我々は,5つのベンチマークデータセット上でD2H-ADを評価し,F1スコアとROC-AUCのパフォーマンスと,クラス不均衡,ノイズ,データ複雑性に対する堅牢性を示す。 精度の向上に加えて、D2H-ADはスケーラビリティ、メモリフットプリントの小型化、バイナリ計算とコンパクトな設計で実現された低レイテンシ操作を提供する。 これらの特性は、TinyMLとエッジAIデプロイメントを特に魅力的にします。 提案フレームワークは, 動的環境下での高精度, 解釈可能, エネルギー効率の高い異常検出のためのHDCの可能性を強調した。

関連論文リスト

• DLRMamba: Distilling Low-Rank Mamba for Edge Multispectral Fusion Object Detection [7.883488411699879]
  マルチスペクトル融合物体検出は、エッジベースの海洋監視とリモートセンシングにとって重要な課題である。 Mambaのような現在の状態空間モデル(SSM)は、標準の2D Selective Scan (SS2D)ブロックで重要なパラメータ冗長性に悩まされている。 本稿では,行列分解による状態遷移を再構成し,固有特徴空間を利用する低ランク2次元選択状態空間モデル(Low-Rank SS2D)を提案する。
  論文  参考訳（メタデータ） (2026-03-06T22:43:57Z)
• Refining Decision Boundaries In Anomaly Detection Using Similarity Search Within the Feature Space [3.3202103799131795]
  SDA2E(Sparse Dual Adversarial Attention-based AutoEncoder)を導入する。 本稿では,意思決定境界を効率的に洗練するための3つの新しい戦略を統合した類似性誘導型アクティブラーニングフレームワークを提案する。 SDA2Eは、複数のDARPAトランスペアレントコンピューティングシナリオを含む52の不均衡データセットにわたって広範囲に評価し、15の最先端の異常検出手法と比較した。
  論文  参考訳（メタデータ） (2026-02-02T23:55:08Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Real-IAD D3: A Real-World 2D/Pseudo-3D/3D Dataset for Industrial Anomaly Detection [53.2590751089607]
  Real-IAD D3は高精度なマルチモーダルデータセットであり、フォトメトリックステレオによって生成された擬似3Dモダリティが組み込まれている。 本稿では,RGB,点雲,擬似3次元深度情報を統合し,各モードの相補的強度を活用する効果的な手法を提案する。 本実験は,検出の堅牢性向上とIAD全体の性能向上におけるこれらのモダリティの重要性を強調した。
  論文  参考訳（メタデータ） (2025-04-19T08:05:47Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• DiffusionEngine: Diffusion Model is Scalable Data Engine for Object Detection [41.436817746749384]
  Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。 DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
  論文  参考訳（メタデータ） (2023-09-07T17:55:01Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。