.png){kind=icon}
返回
Kernel self-representation residual analysis model for anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2026.115517.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 本文提出KRadar模型，以解决现有线性残差模型（Radar）在有效捕捉节点间非线性关系方面的局限性。• KRadar方法通过非线性映射将属性矩阵和残差矩阵的特征投影到高维Hilbert空间，使正常节点和异常节点在高维空间中线性可分。• 我们提出了基于核的自表示模型，通过核技术将属性矩阵X和节点的自表示残差矩阵R投影到高维Hilbert空间。• 同时，我们将核技术引入图正则化项tr(RLRT)，因为残差矩阵R已在基于核的自表示模型中被投影到高维Hilbert空间。• 实验结果与另外七种方法比较表明，KRadar在两个真实数据集和六个合成数据集上的平均ROC-AUC值比次优方法Radar高出10.2%。
Keyword:
KRadar
anomaly detection
kernel-based self-representation
residual analysis
Hilbert space
