Hybrid awred: синергія адаптивної реконструкції та топологічної кластеризації для виявлення аномалій у мультимодальних даних

DOI: 10.31673/2412-9070.2026.017405

Анотація

Виявлення аномалій (Anomaly Detection) у сучасних потоках даних, зокрема у фінансовому моніторингу, характеризується двома фундаментальними проблемами: екстремальним дисбалансом класів (частка аномалій < 1%) та мультимодальністю нормальної поведінки. Традиційні методи глибокого навчання демонструють обмежену ефективність у таких умовах: автокодувальники (AE) схильні до перенавчання на мажоритарному класі, ігноруючи рідкісні події, тоді як методи однокласової класифікації (Deep SVDD) руйнують локальну топологію даних, намагаючись стягнути мультимодальний розподіл до єдиного центру.
У цій роботі представлено новий метод Hybrid AWRED (Adaptive Weighted Reconstruction with Regularized Energy and Dynamics). Запропонований підхід вперше поєднує механізм адаптивного зважування помилки реконструкції (Self-Weighted Error Feed back) з гібридною функцією втрат, що включає модифікований “Center Loss” та топологічну стабілізацію дисперсії. Ключовою інновацією є використання осцилюючого коефіцієнта регуляризації, який динамічно змінює пріоритет між збереженням структури даних та їх компактизацією, запобігаючи колапсу моделі.
Експериментальна оцінка на синтетичному наборі даних “Hard Mode Credit Card Fraud” (60,000 записів) показала, що Hybrid AWRED досягає AUC-ROC 0.9873 та Recall 0.7043, перевершуючи SOTA-метод Deep SVDD на 35% за показником виявлення прихованих атак.

Ключові слова: глибоке навчання; виявлення аномалій; Hybrid AWRED; Deep SVDD; Center Loss; адаптивна регуляризація; незбалансовані дані; мультимодальні розподіли.