D2H-AD：ハイパーディメンショナル・コンピューティングを活用した高度異常検知のためのハイブリッドモデル
本論文では、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を提案する。距離ベースの類似性と密度認識エンコーディングを統合し、5つのベンチマークデータセットで既存手法を上回る性能を示し、高精度、解釈可能性、計算効率を実現。TinyMLやエッジAI展開に適している。
異常検知は、医療、サイバーセキュリティ、スマートグリッド、IoT環境など、インテリジェントシステムの基本コンポーネントである。従来の機械学習や深層学習手法は異常検知において有効性を示してきたが、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、エッジや高次元設定ではスケーラビリティに課題がある。本研究では、これらの課題に対処するため、超次元計算（Hyperdimensional Computing, HDC）に基づく新しい異常検知フレームワークD2H-ADを提案する。
HDCは、脳に着想を得たパラダイムであり、高次元分散ベクトルを用いて情報を表現する。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認識エンコーディングを統一フレームワーク内に統合する。これにより、データの全局分布と局所密度特性を同時に捉え、異常表現の品質を大幅に向上させる。
D2H-ADの有効性を検証するため、5つの標準ベンチマークデータセットで広範な実験を行った。アブレーション研究の結果、超次元エンコーディングのみを使用することで、元の特徴空間で同じ密度距離スコアリングを適用するよりもROC-AUCが最大5.4%向上することが示された。さらに、D2H-ADはすべてのデータセットにおいて、HDAD、ODHD、One-Class SVM、Isolation Forest、オートエンコーダの5つの確立されたベースラインを一貫して上回った。
優れた検出性能に加えて、D2H-ADは軽量で解釈可能、計算効率が高い。コア操作はバイナリ計算に基づいており、メモリフットプリントが小さく、低レイテンシを実現する。これらの特性により、リソース制約のあるリアルタイムアプリケーション、特にTinyMLやエッジAIへの展開に最適である。本フレームワークは、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のためのHDCの可能性を示している。