インテリジェントシステムにおいて、異常検知はヘルスケア、サイバーセキュリティ、スマートグリッド、IoT環境など幅広い応用を持つ基本的な要素です。従来の機械学習や深層学習の手法は異常の識別に有効性を示していますが、大規模なラベル付きデータセットに依存し、計算コストが高く、エッジや高次元環境でのスケーラビリティに課題があります。そこで本論文では、情報を高次元の分散ベクトルで表現する脳に着想を得たパラダイムである超次元計算（HDC）に基づく、新しい異常検知フレームワークD2H-ADを提案します。
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を考慮したエンコーディングを統一フレームワーク内に統合し、異常表現と検出性能を向上させます。アブレーション研究では、超次元エンコーディングのみを使用することで、同じ密度距離スコアリングを元の特徴空間で直接適用する場合と比較して、最大5.4%高いROC-AUCが得られることが示されました。さらに、D2H-ADは評価されたすべてのデータセットにおいて、HDAD、ODHD、One-Class SVM、Isolation Forest、Autoencoderという5つの確立されたベースラインを一貫して上回ります。
研究チームは5つのベンチマークデータセットでD2H-ADを検証し、優れたF1スコアとROC-AUC性能、およびクラス不均衡、ノイズ、データの複雑さに対する堅牢性を実証しました。精度の向上に加えて、D2H-ADはバイナリ計算とコンパクトな設計により、スケーラビリティ、小さなメモリフットプリント、低遅延動作を提供します。これらの特性により、TinyMLやエッジAIの展開に特に適しています。
本論文は2026年6月11日にarXiv（2606.13754）に提出され、機械学習（cs.LG）に分類されています。著者はGhazal Ghajari氏ら6名で、関連DOIは10.1109/ACCESS.2026.3677763です。提案フレームワークは、動的環境における正確で解釈可能、かつエネルギー効率の高い異常検知に対するHDCの可能性を強調しています。