SCoNE: Neue Methode für schnelle und genaue Mehransicht‑Anomalieerkennung

In der Mehransicht‑Anomalieerkennung besteht die zentrale Herausforderung darin, lokale Nachbarschaften von normalen Instanzen konsistent über alle Ansichten hinweg darzustellen. Traditionelle Ansätze analysieren jede Ansicht separat und versuchen anschließend, die konsistenten Nachbarn durch ein Lernverfahren zu identifizieren. Dabei treten zwei gravierende Probleme auf: Erstens gelingt es ihnen nicht zuverlässig, konsistente Nachbarn zu erfassen, wenn dieselben Nachbarn in Ansichten mit unterschiedlichen Dichten liegen, was die Erkennungsgenauigkeit mindert. Zweitens ist der Lernprozess mit einer quadratischen Zeitkomplexität O(N²) verbunden, was die Anwendung auf große Datensätze praktisch unmöglich macht.

Die neue Methode namens SCoNE – Spherical Consistent Neighborhoods Ensemble – löst diese Probleme elegant. Sie stellt die konsistenten Nachbarschaften direkt mit den Mehransicht‑Instanzen dar, ohne Zwischenschritte, und nutzt datenabhängige Nachbarschaftsgrößen: In spärlichen Regionen werden große Nachbarschaften gewählt, in dichten Bereichen kleinere. Dadurch werden die lokalen Nachbarschaften in allen Ansichten ohne Lernschritt optimal repräsentiert, was die Zeitkomplexität auf O(N) reduziert.

Experimentelle Tests zeigen, dass SCoNE nicht nur eine deutlich höhere Erkennungsgenauigkeit erzielt, sondern auch bei großen Datensätzen um ein Vielfaches schneller arbeitet als bisherige Verfahren. Diese Fortschritte machen SCoNE zu einer vielversprechenden Lösung für effiziente und präzise Mehransicht‑Anomalieerkennung in realen Anwendungen.