.png){kind=icon}
返回
A class boundary prediction method by self-representation based pattern selection and geometric-constrained diffusion generation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114096.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在数据驱动的决策系统中，边界模式对于划分不同类别至关重要。然而，代表性样本的稀缺往往导致关键边界信息的缺乏，阻碍了对数据结构的理解和关键细节的提取。为克服数据不足情况下预测边界模式的挑战，本文提出了一种基于自表示模式选择和几何约束扩散生成的类边界预测方法（BP-PSG）。该方法利用样本的自表示负分量来区分不同的边缘模式。针对扩散模型提出了一种新颖的约束机制，以沿几何上有意义的方向约束数据生成。然后对聚合数据进行评估和生成循环，以获得更能反映类别数据分布的潜在代表性样本。从该综合数据集中获得的最终边缘模式被视为类边界。该方法在合成数据、基准数据集和RSRAC数据集等高维和低维数据上的有效性得到了验证。值得注意的是，在基准数据集上，BP-PSG将异常检测准确率提高了5.44%至27.38%。在RSRAC数据集上，它将个体发射器识别准确率平均提高了3.95%，未知类检测准确率平均提高了11.35%。
Keyword:
boundary pattern
self-representation
diffusion generation
class boundary
anomaly detection
