Fusing Dictionary Learning and Support Vector Machines for Unsupervised Anomaly Detection

本文研究了通过稀疏表示技术改进单类支持向量机（OC-SVM）用于无监督异常检测的方法。由于字典学习（DL）最近成为揭示数据隐藏稀疏模式的常见分析技术，因此我们的方法利用这一洞察力，使无监督检测对模式发现和维度具有更多的控制。我们引入了一种新的异常检测模型，将OC-SVM和DL残差函数统一到单一的复合目标中，随后通过K-SVD类型的迭代算法进行求解。我们明确推导了新复合模型的交替K-SVD迭代的闭式形式，并讨论了实际可实现的方案。标准DL模型适用于字典对学习（DPL）环境，其中通常的稀疏约束自然被消除。最后，我们将两个目标扩展到更一般的设置，允许使用核函数。我们提供了所得算法的实证收敛性质，并对其参数化进行了深入分析，同时还展示了与现有方法的数值性能比较。

本论文旨在通过稀疏表示技术来改进单类支持向量机（OC-SVM）的无监督异常检测能力。

论文提出一种新的异常检测模型，将OC-SVM和DL残差函数结合到单一复合目标中，并通过K-SVD类型的迭代算法进行求解。同时，将标准的DL模型适应于字典对学习（DPL）上下文。

论文提出的新模型在使用核函数的更一般情况下进行了扩展，并提供了实验结果和性能分析。

最近的相关研究包括“Anomaly Detection using One-Class Neural Networks with Softmax Activation Function”和“Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications”等。