D2H-AD：一種利用超維度計算進行高級異常檢測的混合模型

異常檢測是智能系統中的關鍵任務，廣泛應用於醫療診斷、網絡安全、智能電網和物聯網等領域。儘管傳統的機器學習和深度學習方法在異常檢測中取得了顯著成效，但它們往往需要大量標記數據，計算開銷大，且在邊緣計算和高維數據處理場景下面臨可擴展性瓶頸。針對這些挑戰，來自該研究團隊提出了D2H-AD——一種基於超維度計算（Hyperdimensional Computing, HDC）的新型異常檢測框架。

HDC是一種受大腦啓發的計算範式，通過高維分佈式向量來表示信息，具有計算效率高、可解釋性強等優勢。與現有的HDC方法不同，D2H-AD在統一框架內創新性地集成了基於距離的相似性度量和密度感知編碼。這種設計使得模型能夠同時捕捉數據的全局分佈和局部密度特徵，從而顯著提升異常表徵的質量。

為了驗證D2H-AD的有效性，研究人員在五個標準基準數據集上進行了廣泛實驗。消融研究結果表明，僅使用超維度編碼相比直接在原始特徵空間應用相同的密度距離評分方法，ROC-AUC指標提升了高達5.4%。更令人印象深刻的是，D2H-AD在所有數據集上一致優於五種成熟的基線方法：HDAD、ODHD、單類支持向量機（One-Class SVM）、孤立森林（Isolation Forest）和自編碼器（Autoencoder）。這意味着D2H-AD在準確性和魯棒性方面均具有顯著優勢。

除了卓越的檢測性能，D2H-AD還具備輕量化、可解釋和計算高效的特點。其核心操作基於二進制計算，因此內存佔用小、延遲低，非常適合資源受限的實時應用場景。這些特性使得D2H-AD特別適合部署在TinyML和邊緣AI設備上，為在動態環境中實現準確、可解釋且節能的異常檢測提供了新的可能性。該研究展示了HDC在下一代邊緣智能系統中的巨大潛力。