Low-Rank Representations Meets Deep Unfolding: A Generalized and Interpretable Network for Hyperspectral Anomaly Detection
Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；School of Mathematics and Statistics, Southeast University（东南大学数学学院与统计学院）；College of Resources and Environment, University of Chinese Academy of Sciences（中国科学院大学资源与环境学院）；Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学、法国国家信息与自动化研究所、法国国家科学研究中心、格勒诺布尔理工学院、约瑟夫·傅里叶大学联合实验室）
本文针对现有HAD基准数据集的不足，构建AIR-HAD数据集，并提出基于可学习字典LRR模型深度展开的LRR-Net$^+$网络，通过结合ADMM优化与深度网络实现可解释、自动化的高光谱异常检测，在实验中展现出优越的检测性能和泛化能力。
2024-02-23 cs.CV cs.LG eess.IV
Signature-Kernel One-Class Learning with Manifold Regularisation for Multivariate Time Series Anomaly Detection
Department of Computer Engineering, Faculty of Engineering, Bilkent University, Ankara, Turkey（计算机工程系，工程学院，比尔肯特大学，安卡拉，土耳其）
本文通过流形正则化推广大间隔 $\ell_p$-SVDD 方法，利用数据几何结构进行时间序列异常检测，理论分析泛化性能并实验验证其有效性。
2026-10-14 cs.LG
Isolation Distributional Kernel: A New Tool for Point & Group Anomaly Detection
Nanjing University（南京大学）；Osaka University（大阪大学）
我们引入隔离分布核作为一种新的方法来衡量两个分布之间的相似性。现有的基于核均值嵌入的方法将点核转换为分布核，存在两个关键问题：点核具有难以处理的维数特征映射;点核是{ \em数据无关}的。本文表明，隔离分布式内核（IDK），这是基于{ \em数据相关}点内核，解决这两个关键问题。我们证明了IDK的功效和效率作为一个新的工具，基于内核的异常检测点和组异常。在没有显式学习的情况下，单独使用IDK优于现有的基于核的点异常检测器OCSVM和其他依赖于高斯核的核均值嵌入方法。对于组异常检测，我们引入了一个基于IDK的检测器，称为IDK $^2$。该算法将输入空间中的群异常检测问题转化为Hilbert空间中的点异常检测问题，无需学习。IDK $^2$的运行速度比组异常检测器OCSMM快几个数量级。我们首次揭示了一个有效的基于核均值嵌入的异常检测器必须采用一个特征核，这是数据依赖的。
2020-09-24 cs.LG stat.ML
IDK-S: Incremental Distributional Kernel for Streaming Anomaly Detection
IDK-S通过增量分布核方法实现流异常检测的高准确性和高效处理。
2025-12-05 cs.LG
Mitigating Convergence Collapse in Fixed-Target Anomaly Detectors via Kernel-Anchored Locality Regularization
Université Paris-Saclay（巴黎-萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupélec（中央理工-高等电力学院）；LISN UMR 9015（数字科学跨学科实验室）；Laboratoire Interdisciplinaire des Sciences du Numérique（数字科学跨学科实验室）
针对固定目标神经异常检测器在收敛时残差信号消失的坍缩问题，提出核锚定正则化器（KAR），通过惩罚预测与核加权目标偏差保持局部性，在ADBench上缓解坍缩并提升AUROC。
2026-10-05 cs.LG
Anomaly Detection with Selective Dictionary Learning
University Politehnica of Bucharest（布加勒斯特理工大学）
本研究将字典学习与核字典学习改造为无监督异常检测方法，提出简化核版本适配大数据集，还通过随机选信号剔除训练离群点，算法已集成工具箱并完成基准对比。
2023-07-17 cs.LG
Localized Multiple Kernel Learning for Anomaly Detection: One-class Classification
Indian Institute of Technology Indore（印度理工学院印多尔分校）
多核学习在最近的过去已经得到了很好的探索，并且在多类分类和回归任务中表现出了很好的结果。在本文中，我们提出了一个多核学习方法的一类分类（OCC）的任务，并采用它的异常检测。最近，已经提出了基本的多核方法来解决OCC问题，这只是一个凸组合的不同内核具有相同的权重。本文提出了一种基于OCC的局部化多核异常检测学习方法（LMKAD），其中每个核的权重被局部分配。所提出的LMKAD方法使用门控函数来适应每个内核的权重。通过两步优化过程同时优化门函数和单类分类器的参数。我们提出了LMKAD在25个不同学科的基准数据集上的性能的实证结果。针对现有的多核异常检测（MKAD）算法和其他四个现有的基于核的一类分类器来评估这种性能，以展示我们的方法的可信度。我们的算法实现了显着更好的Gmean分数，同时使用更少的支持向量相比，MKAD。Friedman检验也被用来验证本文所述结果的统计显著性。
2018-07-17 cs.LG stat.ML
Efficient Nonlinear RX Anomaly Detectors
当前的异常检测算法通常受到准确性或效率的挑战。更精确的非线性检测器通常速度慢且不可扩展。在这封信中，我们提出了两个家庭的技术，以提高效率的标准核Reed-Xiaoli（RX）的方法进行异常检测，通过近似核函数与{ \em数据无关}随机傅立叶特征或{ \em数据相关}的基础与Nyström方法。我们比较所有的方法，真正的多光谱和高光谱图像。我们表明，所提出的高效方法具有较低的计算成本，由于其隐式正则化效应，它们的性能与标准内核RX算法相似（或优于标准内核RX算法）。最后但并非最不重要的是，Nyström方法具有改进的检测能力。
2020-12-07 cs.CV cs.LG eess.IV
Modeling Quantum Autoencoder Trainable Kernel for IoT Anomaly Detection
Quantum Research Group at School of IT, Deakin University（信息学院量子研究组，德堪大学）
本文提出量子自编码器与量子支持向量分类结合的物联网异常检测方法，展示了在当前NISQ设备上的量子优势和实际应用潜力。
2025-11-26 cs.LG quant-ph
Kunlun Anomaly Troubleshooter: Enabling Kernel-Level Anomaly Detection and Causal Reasoning for Large Model Distributed Inference
Alibaba Group（阿里巴巴集团）
本文提出首个面向大模型分布式推理的异常排查框架KAT，利用GPU函数跟踪数据实现纳秒级核级异常检测，并结合领域适配LLM进行因果推理，在生产环境中取得高精确率与召回率，显著提升排查效率。
2025-11-08 cs.AI cs.DC cs.LG
Learnable Kernel Density Estimation for Graphs and Its Application to Graph-Level Anomaly Detection
University of Science and Technology of China（中国科学技术大学）
提出LGKDE框架，通过图神经网络表示图分布并利用最大均值差异学习多尺度核密度估计，在理论保证下有效捕获结构模式和语义变化，在图异常检测任务中优于现有方法。
2026-06-05 cs.LG stat.ML
SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection
Imperial College London（伦敦帝国学院）
SMKC 提出了一种基于草图的核相关图像框架，用于处理变量基数时间序列异常检测，通过动态输入结构解耦和鲁棒特征表示实现高效检测。
2026-01-28 cs.AI cs.LG
Using Kernel SHAP XAI Method to optimize the Network Anomaly Detection Model
Bharati Vidyapeeth's Institute of Computer Applications and Management (BVICAM)（巴拉蒂·维德亚佩特计算机应用与管理学院）；Aligarh Muslim University（阿里格尔穆斯林大学）
本文利用 XAI 的 kernelSHAP 方法检测并解释网络异常，以此优化模型，在 CICIDS2017 数据集上使无监督训练的 OPT_Model 准确率达 0.90、F 分数达 0.76。
2023-07-31 cs.CR cs.LG
Federated Quantum Kernel Learning for Anomaly Detection in Multivariate IoT Time-Series
Department of Electrical and Electronic Engineering, Imperial College London（电子工程系，帝国理工学院伦敦分校）；Centre for Quantum Engineering, Science and Technology (QuEST), Imperial College London（量子工程、科学与技术中心（QuEST），帝国理工学院伦敦分校）；Graduate Institute of Applied Physics, National Taiwan University（应用物理研究所，国立台湾大学）
针对多元IoT时间序列异常检测中的隐私与非线性问题，提出FQKL框架，结合量子特征图与联邦聚合，在异构边缘节点本地计算核统计量并共享至中央服务器构建全局Gram矩阵训练决策函数，实验证明其泛化能力更优且显著降低通信开销。
2025-11-04 cs.AI cs.LG quant-ph
C3D-AD: Toward Continual 3D Anomaly Detection via Kernel Attention with Learnable Advisor
提出持续3D异常检测框架C3D-AD，通过内核注意力与可学习顾问机制，实现多类别点云泛化表示及新类别持续学习，在三个数据集上取得优异AUROC。
2025-08-02 cs.CV cs.LG
Pareto-optimal quantum kernel selection for unsupervised anomaly detection on real malware beaconing data
Multiverse Computing；IQM Quantum Computers（IQM量子计算机公司）；Tecnun – University of Navarra（特昆——纳瓦拉大学）；Allianz Quantum Hub（安联量子中心）
提出无监督多目标协议，同时优化NPD和几何差异，从帕累托前沿选择量子核，用于恶意软件信标检测，发现投影核几何差异大但性能略超基线，保真度核性能最优。
2026-10-08 cs.CR cs.LG quant-ph
Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data
Michigan State University（密歇根州立大学）
时空数据的异常检测是高光谱成像、视频监控、城市交通监控等应用中面临的一个具有挑战性的问题。现有的异常检测方法大多适用于序列数据中的点异常，不能处理时空数据中出现的时间和空间依赖性。近年来，已经提出了基于张量的异常检测方法来解决这个问题。这些方法依赖于传统的张量分解模型，不考虑异常的结构，并且是监督或半监督的。我们引入了一种无监督的基于张量的异常检测方法，该方法考虑了异常的稀疏性和时间连续性。特别是，异常检测问题被制定为一个强大的lowrank +稀疏张量分解与正则化项，最大限度地减少稀疏部分的时间变化，使提取的异常是时间持久的。为了降低优化算法的复杂度，我们还用图总变差最小化来近似秩最小化。由此产生的优化问题是凸的，可扩展的，并对丢失的数据和噪声是强大的。综合和真实的时空城市交通数据，并与基线方法相比，建议的框架进行评估。
2020-10-23 cs.DS cs.LG eess.SP
Model Selection for Anomaly Detection
Institute for Information Transmission Problems (Kharkevich Institute) RAS（俄罗斯科学院信息传输问题研究所（哈尔克维奇研究所））
基于单类分类算法的异常检测被广泛用于许多应用领域，如图像处理（例如，从乳房X射线摄影图像中检测患者是“癌症”还是“健康”）、网络入侵检测等。异常检测算法的性能关键取决于用于测量特征空间中的相似性的内核。在两类分类问题中使用的用于核选择的标准方法（例如交叉验证）由于数据的特定性质（不存在第二异常类数据）而不能直接使用。在本文中，我们推广了几种核选择方法，从二进制类的情况下，一类分类的情况下，这些方法使用合成和真实世界的数据进行广泛的比较。
2017-07-12 cs.LG stat.AP stat.ML
Mitigating Long-Tailed Anomaly Score Distributions with Importance-Weighted Loss
R\&D Division ELROILAB Inc. Seoul, Republic of Korea
本文提出了一种重要加权损失方法，用于缓解长尾异常分数分布问题，通过重要性采样对齐分布，提升异常检测性能。
2026-01-05 cs.AI cs.LG stat.ML
Towards Efficient Quantum Anomaly Detection: One-Class SVMs using Variable Subsampling and Randomized Measurements
Institute of Informatics, LMU Munich（慕尼黑大学信息学研究所）
针对量子核单类SVM计算时间复杂度高的问题，提出随机测量量子核与可变子采样集成两种线性复杂度方法，大幅降低训练与推理时间，且随机测量精度优于经典RBF核，为高效量子机器学习应用提供方向。
2023-12-14 cs.LG quant-ph
Deep Convolutional Large-Margin $\ell_p$-SVDD for Visual Anomaly Detection
Bilkent University（比尔肯特大学）
研究针对视觉异常检测中训练样本稀缺和类分布不平衡问题，提出深度大间隔新颖性检测框架DLM-SVDD，联合学习卷积特征与核决策边界，经优化方案训练，分析核近似策略权衡，实验显示其性能优于基线和现有方法。
2026-07-27 cs.CV cs.LG
Kernel Extreme Learning Machine Optimized by the Sparrow Search Algorithm for Hyperspectral Image Classification
China West Normal University（西华师范大学）
为提高高光谱图像分类算法的分类性能和泛化能力，采用多尺度全变分（MSTV）提取光谱特征，局部二值模式（LBP）提取空间特征，特征叠加得到高光谱图像融合特征。采用一种新的具有高收敛性和强全局搜索能力的群体智能优化方法--麻雀搜索算法（SSA）对核极限学习机（KELM）的核参数和正则化系数进行优化。综上所述，本文提出了一种多尺度融合特征的高光谱图像分类方法（MLS-KELM）。选取印第安松、帕维亚大学和休斯顿2013年数据集对MLS-KELM的分类性能进行了验证，并将该方法应用于ZY 1 - 02 D高光谱数据。实验结果表明，MLS-KELM具有较好的分类性能和泛化能力，在小样本情况下具有较强的鲁棒性。
2022-04-03 cs.CV cs.LG
Tensor Decompositions for Hyperspectral Data Processing in Remote Sensing: A Comprehensive Review
Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；University of Chinese Academy of Sciences（中国科学院大学）；International Research Center of Big Data for Sustainable Development Goals（可持续发展大数据国际研究中心）
由于传感器技术的快速发展，高光谱遥感（HS）成像为飞机、航天器和卫星等数据采集设备远距离观测和分析地球表面提供了大量的空间和光谱信息。HS RS技术的最新进展甚至革命为实现各种应用的全部潜力提供了机会，同时也面临着有效处理和分析大量HS采集数据的新挑战。由于张量分解能够保持三维HS的固有结构，因此在过去的几十年中，张量分解在HS数据处理任务中引起了广泛的关注和研究。在这篇文章中，我们的目的是全面概述张量分解，特别是在HS数据处理的五个广泛的主题，他们是HS恢复，压缩感知，异常检测，超分辨率和光谱分解。对于每个主题，我们详细介绍了张量分解模型的显着成就HS RS与现有的方法和实验结果的代表性展览的关键描述。因此，后续研究方向的剩余挑战的概述和讨论的角度，真正的HS RS的做法和张量分解合并先进的先验知识，甚至与深神经网络。本文总结了不同的基于张量分解的HS数据处理方法，并将其分为不同的类别，从简单的采用到与其他先验的复杂组合，以供算法初学者参考。我们也期望通过本综述能为有经验的研究者提供一些新的研究方向和发展趋势，并对张量分解和HS RS有一定的了解。
2022-05-13 cs.CV cs.LG eess.IV
One-Class Support Measure Machines for Group Anomaly Detection
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们提出了一类支持度量机（OCSMM）的群体异常检测，其目的是识别异常的数据点的聚集行为。OCSMM将著名的单类支持向量机（OCSVM）推广到概率测度空间。通过将问题公式化为分布上的分位数估计，我们可以在定义分布的输入空间上与OCSVM和可变核密度估计（VKDE）建立有趣的联系，弥合大间隔方法和核密度估计之间的差距。特别是，我们表明，各种类型的VKDE可以被认为是本文研究的一类正则化问题的解决方案。在Sloan数字巡天数据集和高能粒子物理数据集上的实验证明了该框架在实际应用中的优势。
2013-06-01 cs.LG stat.ML
Anomaly Detection and Prototype Selection Using Polyhedron Curvature
University of Waterloo（滑铁卢大学）
基于多面体曲率的思想，提出了一种新的异常检测方法，称为曲率异常检测（CAD）和核CAD。使用最近邻点，我们将每个数据点视为多面体的顶点，其中越不规则的点具有越大的曲率。我们还提出了逆CAD（iCAD）和内核iCAD的实例排名和原型选择从相反的角度来看CAD。我们定义了异常景观和异常路径的概念，并证明了它的应用是图像去噪。所提出的方法是直接的，易于实现。我们在不同的基准测试上的实验表明，所提出的方法是有效的异常检测和原型选择。
2020-04-05 cs.CG cs.LG stat.ML
One-Class Support Measure Machines for Group Anomaly Detection
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们提出了一类支持度量机（OCSMM）的群体异常检测，其目的是识别异常的数据点的聚集行为。OCSMM将著名的单类支持向量机（OCSVMs）推广到概率测度空间。通过将问题表述为分布上的分位数估计，我们可以在定义分布的输入空间上与OCSVM和可变核密度估计（VKDE）建立有趣的联系，弥合大间隔方法和核密度估计之间的差距。特别是，我们表明，各种类型的VKDE可以被认为是本文研究的一类正则化问题的解决方案。在Sloan数字巡天数据集和高能粒子物理数据集上的实验证明了该框架在实际应用中的优势。
2014-08-09 cs.LG stat.ML
Expected Similarity Estimation for Large-Scale Batch and Streaming Anomaly Detection
University of Ulm（乌尔姆大学）；Ravensburg-Weingarten University of Applied Sciences（拉芬斯堡-魏恩加腾应用科学大学）；The University of Sydney（悉尼大学）
我们提出了一种新的算法异常检测非常大的数据集和数据流。该方法称为期望相似性估计（EXPoSE），是基于核的，能够有效地计算新数据点和规则数据分布之间的相似性。该估计被制定为一个再生核希尔伯特空间嵌入的内积，并没有假设的类型或形状的基础数据分布。我们证明了使用EXPoSE的离线（批量）学习可以在线性时间内完成，而在线（增量）学习每个实例和模型更新需要恒定的时间。此外，EXPoSE可以在恒定的时间内进行预测，而它只需要恒定的内存。此外，我们提出了不同的方法，概念漂移适应不断变化的数据流。在几个真实的数据集上，我们证明了我们的方法可以与最先进的异常检测算法竞争，同时比大多数其他方法快一个数量级。
2016-06-06 cs.AI cs.LG
Quantum-Hybrid Support Vector Machines for Anomaly Detection in Industrial Control Systems
Department of Electrical Engineering and Compute Science, University of Tennessee, Knoxville, TN, 37996 USA（电气工程与计算科学系，田纳西大学，诺克斯维尔，TN，37996 USA）；GE Vernova Research Center（通用电气研究中心）
本研究提出量子混合支持向量机用于工业控制系统异常检测，在三个数据集上比经典核方法F1分数高13.3%，核-目标对齐提升91%，展现量子优势。
2025-06-21 cs.CR cs.LG quant-ph
Combining multiscale features for classification of hyperspectral images: a sequence based kernel approach
Univ. Bretagne-Sud（南布列塔尼大学）
目前，高光谱图像分类广泛地利用空间信息来提高分类精度。其中最流行的方法来整合这些信息是从多尺度分割提取层次特征。在分类上下文中，提取的特征通常被连接成长向量（也称为堆叠向量），在其上应用传统的基于向量的机器学习技术（例如，具有高斯核的SVM）。在本文中，我们建议使用序列结构的内核：频谱内核。我们表明，传统的堆叠基于向量的内核实际上是这个内核的一个特例。在各种公开可用的高光谱数据集上进行的实验说明了所提出的内核的改进使用相同的分层空间特征的常规方法。
2016-06-15 cs.CV cs.LG stat.ML
Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel
Quantum Security Technologies Fraunhofer Institute for Applied and Integrated Security（弗劳恩霍夫应用与综合安全研究所量子安全技术部）
本文提出一种基于带量子核的支持向量回归（QSVR）重构损失的半监督异常检测方法，在10个真实数据集和1个玩具数据集上表现优于经典SVR、量子自动编码器等基线模型，实现了最高的平均AUC。
2024-01-03 cs.CR cs.LG quant-ph
Fusion of heterogeneous bands and kernels in hyperspectral image processing
University of Missouri（密苏里大学）；Mississippi State University（密西西比州立大学）
高光谱成像是一种强大的技术，但受到大维度的困扰。在这里，我们探索了一种方法来打击这种障碍，通过非连续和连续（更简单地实现传感器）频带分组降维。我们的方法是不同的，在这方面，它是灵活的，它遵循一个良好的研究过程中的视觉聚类在高维空间。具体来说，我们扩展了改进的视觉评估的聚类趋势和聚类有序相异度数据的无监督聚类算法的监督高光谱学习。此外，我们提出了一种方法来提取不同的功能，通过使用不同的接近度量（方法来衡量波段之间的相似性）和核函数。发现的功能与$l_{\infty}$范数多核学习融合。在两个基准数据集上进行了实验，并将我们的结果与相关工作进行了比较。这些数据集表明，连续与否是特定于应用程序的，但异构的功能和内核通常会导致性能提升。
2019-05-22 cs.LG eess.IV stat.ML
Kernel Task-Driven Dictionary Learning for Hyperspectral Image Classification
Pennsylvania State University（宾夕法尼亚州立大学）；Army Research Laboratory（陆军研究实验室）
字典学习算法已经成功地用于重建和判别任务，其中输入信号由几个字典原子的线性组合表示。虽然这些方法通常是在输入域中的$\ell_1$稀疏约束（先验）下开发的，但最近的研究已经证明了在核域中使用结构化稀疏先验的稀疏表示的优点。提出了一种核域有监督字典学习算法用于高光谱图像分类。在所提出的配方中，字典和分类器联合获得最佳的分类性能。监督配方是任务驱动的，并提供了学习功能的高光谱数据，非常适合分类任务。此外，该算法使用联合（$\ell_{12}$）稀疏性之前，强制相邻像素之间的合作。仿真结果表明了所提出的字典学习算法的有效性。
2015-02-10 cs.CV cs.LG stat.ML
Kernel-based retrieval models for hyperspectral image data optimized with Kernel Flows
LUT University（拉普兰塔理工大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）
本文提出一种新的 Kernel Flows (KF) 方法以优化 Kernel Principal Component Regression (K-PCR) 模型，并与 KF-PLS 在两个高光谱遥感数据集上对比非线性回归技术进行基准测试，解决了核参数选择依赖网格搜索的问题。
2024-11-12 cs.CE cs.LG stat.ME
Hyperspectral Image Classification with Support Vector Machines on Kernel Distribution Embeddings
MINES ParisTech, PSL-Research University（巴黎矿业学院，PSL研究大学）；University of Oxford（牛津大学）
我们提出了一种新的方法在高光谱图像中的像素分类，利用在数据中的空间和光谱信息。所介绍的方法依赖于最近提出的框架，用于学习分布-通过在再生核希尔伯特空间（RKHS）中用平均元素表示它们并在其中制定分类算法。特别是，我们将每个像素与其相邻像素的经验分布相关联，在RKHS中，结合像素本身所包含的光谱信息，给出了一组新的明确的特征，这些特征可以被馈送到一套标准分类技术中-我们选择了一个完善的支持向量机（SVM）框架。此外，通过随机傅立叶特征形式化降低了计算复杂性。我们研究了所提出的方法的一致性和收敛速度，实验表明，与最先进的结果相比，高光谱数据的增益具有很强的性能。
2016-05-30 cs.CV cs.LG stat.ML
Randomized ICA and LDA Dimensionality Reduction Methods for Hyperspectral Image Classification
IRISA（法国国家信息与自动化研究所雷恩布列塔尼大西洋分校）
在高光谱图像处理中，降维是克服维数灾难问题的重要步骤。线性降维方法，如独立成分分析（ICA）和线性判别分析（LDA）通常用于降低HSI的维数。这些方法无法捕捉HSI数据中的非线性相关性，因为数据位于非线性流形中。为了解决这一问题，引入了基于核方法的非线性变换技术对HSI进行降维。然而，核方法在计算核矩阵时涉及三次计算复杂度，因此当像素（样本）的数量很大时，不能探索其潜力。在文献中，随机选择较少数量的像素来部分地克服这个问题，但是这种次优策略可能会忽略HSI中的重要信息。在本文中，我们提出了随机解决方案的ICA和LDA降维方法使用随机傅立叶特征，我们标记为RFFICA和RFFLDA。我们提出的方法克服了可扩展性问题，并更有效地处理数据中存在的非线性。两个真实世界的高光谱数据集进行的实验表明，我们提出的随机方法优于传统的内核ICA和内核LDA的整体，每类精度和计算时间。
2018-04-19 cs.LG stat.ML
Randomized based restricted kernel machine for hyperspectral image classification
Indian Institute of Technology Indore（印度理工学院印多尔分校）
本文提出基于随机化的受限核机$R^2KM$，结合RVFL与RKM优势，并引入基于Fenchel-Young不等式的共轭特征对偶性，以提升高光谱图像分类及回归任务的性能与鲁棒性。
2025-03-06 cs.CV cs.LG
Reproducing Kernel Hilbert Space Pruning for Sparse Hyperspectral Abundance Prediction
Pacific Northwest National Laboratory（太平洋西北国家实验室）
针对高光谱分析受高分辨率限制且现有方法易受非线性效应影响的问题，提出基于希尔伯特空间变换的稀疏表示剪枝方法与最大似然压缩向量，在光谱重建误差和压缩率上优于传统及深度学习方法。
2023-10-09 cs.LG eess.SP
Kernel Nonnegative Matrix Factorization Without the Curse of the Pre-image - Application to Unmixing Hyperspectral Images
Institut Charles Delaunay (CNRS)（查尔斯·德洛奈研究所（法国国家科学研究中心））；Université de Technologie de Troyes（特鲁瓦技术大学）；LITIS lab（LITIS实验室）；Université de Rouen（鲁昂大学）；Centre de Recherche en Automatique de Nancy (CNRS)（南锡自动化研究中心（法国国家科学研究中心））；Université de Lorraine（洛林大学）
非负矩阵分解（NMF）在信号和图像处理中有着广泛的应用，包括生物信息学、盲声源分离和遥感高光谱图像分析等。一个很大的挑战时，出现处理的非线性制定的NMF。在核机器的框架内，在文献中提出的模型不允许表示的分解矩阵，这是一个辐射的诅咒的前图像。在本文中，我们提出了一种新的基于核的模型的NMF，不受前像的问题，通过直接在输入空间中调查的分解矩阵的估计。对于不同的核函数，我们描述了两个计划的迭代算法：添加剂更新规则的基础上的梯度下降计划和乘法更新规则在相同的精神，在李和Seung算法。在建议的框架内，我们开发了几个扩展，将约束，包括稀疏性，平滑性和空间正则化与总变差一样的惩罚。所提出的方法的有效性证明了解混高光谱图像的问题，使用著名的真实图像和结果与国家的最先进的技术。
2016-03-27 cs.CV cs.IT cs.LG
Naive Gabor Networks for Hyperspectral Image Classification
Sun Yat-sen University（中山大学）；South China University of Technology（华南理工大学）；Hunan University（湖南大学）；University of Extremadura（埃斯特雷马杜拉大学）；Beihang University（北京航空航天大学）
最近，许多卷积神经网络（CNN）方法已被设计用于高光谱图像（HSI）分类，因为CNN能够产生良好的数据表示，这极大地受益于大量的参数。然而，解决这样的高维优化问题往往需要大量的训练样本，以避免过度拟合。此外，它是一个典型的非凸问题，受许多局部极小和平坦区域的影响。为了解决这些问题，在本文中，我们引入了朴素的Gabor网络或Gabor-Nets，在文献中首次严格以Gabor滤波器的形式设计和学习CNN内核，旨在减少所涉及的参数数量并限制解空间，从而提高CNN的性能。具体来说，我们开发了一种创新的相位诱导的Gabor内核，它巧妙地设计为通过由内核相位控制的数据的局部低频和高频分量的线性组合来执行Gabor特征学习。通过引入相位诱导的Gabor核函数，提出的Gabor-Nets能够自动适应HSI数据的局部谐波特征，从而产生更具代表性的谐波特征。此外，该内核可以以实值方式实现传统的复值Gabor滤波，从而使Gabor-Nets易于在通常的CNN线程中执行。我们在三个著名的HSI上评估了我们新开发的Gabor-Nets，表明我们提出的Gabor-Nets可以显着提高CNN的性能，特别是在小训练集的情况下。
2020-02-24 cs.CV cs.LG eess.IV
Quantitative Assessment of DESIS Hyperspectral Data for Plant Biodiversity Estimation in Australia
Commonwealth Scientific and Industrial Research Organisation（联邦科学与工业研究组织）
陆生植物多样性在维持生态系统稳定、健康和生产力方面起着关键作用。虽然遥感被视为估计植物多样性的一种有前途和具有成本效益的替代方法，但缺乏关于如何从星载高光谱数据可靠地推断植物多样性的定量研究。在这项研究中，我们评估了DLR地球遥感成像光谱仪（DESIS）捕获的高光谱数据估计植物物种丰富度在澳大利亚东南部的南部高原和雪山地区的能力。首先利用主成分分析、典型相关分析和偏最小二乘法对DESIS光谱进行了光谱特征提取。然后用普通最小二乘回归、核岭回归和高斯过程回归对提取的特征与植物物种丰富度进行回归。基于双重交叉验证方案，采用相关系数（$r$）和均方根误差（RMSE）评估结果。对于表现最好的模型，南部高原地区的$r$为0.71，RMSE为5.99，而雪山地区的$r$为0.62，RMSE为6.20。本研究报告的评估结果为今后了解星载高光谱测量与陆地植物生物多样性之间关系的研究提供了支持。
2022-07-06 cs.LG stat.AP
Fast Optimal Bandwidth Selection for RBF Kernel using Reproducing Kernel Hilbert Space Operators for Kernel Based Classifiers
IRISA（法国信息与随机系统研究所）
基于核的方法在许多遥感分类任务中表现出了有效的性能。然而，它们的性能显着依赖于其超参数。估计参数的常规技术具有高计算复杂度。因此，这封信的目的是提出一种快速有效的方法来选择高斯核的带宽参数在基于核的分类方法。提出的方法是基于再生核希尔伯特空间中的算子，并在支持向量机和PerTurbo分类方法上进行评估。高光谱数据集进行的实验表明，我们提出的方法优于国家的最先进的方法在计算时间和分类性能。
2018-04-14 cs.LG stat.ML
Varroa destructor detection on honey bees using hyperspectral imagery
LUT University（拉普兰塔理工大学）；Brno University of Technology（布尔诺理工大学）
本文提出一种基于多元统计学的方法，利用高光谱图像检测西方蜜蜂体上的瓦螨，通过无监督和监督方法及特定波长识别策略，发现仅需四个光谱带即可准确识别寄生虫。
2024-03-21 cs.CV cs.LG
Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image
China University of Geosciences（中国地质大学）
由于高光谱图像数据的复杂性，高光谱图像聚类是一项具有挑战性的任务。子空间聚类已被证明是强大的利用数据点之间的内在关系。传统的子空间聚类方法在HSI聚类中表现出了令人瞩目的性能，但往往忽略了数据间固有的结构信息。在本文中，我们重新审视子空间聚类与图卷积，并提出了一种新的子空间聚类框架称为图卷积子空间聚类（GCSC）的强大的HSI聚类。具体来说，该框架将数据的自我表达属性重新转换到非欧几里德域，从而产生更鲁棒的图嵌入字典。我们表明，传统的子空间聚类模型是我们的框架与欧几里德数据的特殊形式。在此基础上，利用Frobenius范数提出了两种新的子空间聚类模型，即高效GCSC（Efficient GCSC）和高效核GCSC（Efficient Kernel GCSC）。这两个模型都有一个全局最优的封闭形式的解决方案，这使得他们更容易实现，训练，并在实践中应用。在三个流行的HSI数据集上进行的大量实验表明，EGCSC和EKGCSC可以实现最先进的聚类性能，并显着优于许多现有的方法具有显着的利润率。
2020-04-22 cs.CV cs.LG
Hyperspectral Remote Sensing Benchmark Database for Oil Spill Detection with an Isolation Forest-Guided Unsupervised Detector
Hunan University（湖南大学）；Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿罗森多夫研究中心）；Helmholtz Institute Freiberg for Resource Technology（亥姆霍兹弗赖贝格资源技术研究所）
针对高光谱溢油检测需大量标注数据的问题，提出基于孤立森林的无监督方法，经波段筛选、降维、伪标记生成及结果优化，在自建HOSD数据集上性能优于现有方法。
2022-09-28 cs.CV cs.LG
Plant species richness prediction from DESIS hyperspectral data: A comparison study on feature extraction procedures and regression models
CSIRO Land and Water（联邦科学与工业研究组织陆地与水资源研究所）；CSIRO Energy（联邦科学与工业研究组织能源研究所）；CSIRO Data61（联邦科学与工业研究组织数据61研究所）
本研究利用DESIS星载高光谱数据预测澳大利亚东南部植物物种丰富度，系统比较了PCA、CCA、PLS特征提取方法与KRR、GPR、RFR回归模型的组合效果，并发现DESIS优于Sentinel-2多光谱数据。
2025-03-11 cs.LG q-bio.PE
Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection
Jung Diagnostics GmbH（荣格诊断有限公司）
本文针对无监督异常检测中异常评分仅关注强度而忽略结构差异的问题，提出一种基于不同核大小自适应集成的SSIM策略，提升了扩散模型在脑MRI异常检测中的分割性能并降低了对核大小的敏感性。
2024-03-21 cs.CV cs.LG eess.IV
Kernel Multivariate Analysis Framework for Supervised Subspace Learning: A Tutorial on Linear and Kernel Multivariate Methods
特征提取和降维是信号处理和分析等许多科学领域的重要任务。这些技术的相关性正在增加，因为当前的传感器设备被开发为具有更高的分辨率，并且涉及多模式数据源的问题变得更加普遍。大量的特征提取方法可在文献中集体分组在多变量分析（MVA）领域下。本文对主成分分析（PCA）、偏最小二乘（PLS）、典型相关分析（CCA）和正交归一化PLS（OPLS）等方法进行了统一处理，并利用再生核Hilbert空间理论导出了它们的非线性推广。我们还回顾了它们与其他分类和统计依赖估计方法的联系，并介绍了一些最近的发展，以处理大规模和小规模问题的极端情况。为了说明这些方法在分类和回归问题中的广泛适用性，我们分析了它们在公开数据集基准中的性能，并特别注意涉及音乐流派预测音频处理和地球和气候监测高光谱卫星图像的具体实际应用。
2013-10-18 cs.LG stat.ML
ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）；MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院）
ACMamba通过非对称共识状态空间模型实现快速无监督异常检测，利用区域级实例替代密集像素样本，降低计算成本并提升性能。
2025-04-16 cs.AI cs.CV cs.LG
Bi-Objective Nonnegative Matrix Factorization: Linear Versus Kernel-Based Models
Institut Charles Delaunay (CNRS)（夏尔·德拉吕研究所（CNRS））；Université de Technologie de Troyes（特鲁瓦技术大学）
非负矩阵分解（NMF）是一类功能强大的特征提取技术，已成功地应用于许多领域，即在信号和图像处理。当前的NMF技术在其基于线性或非线性核的公式中仅限于单目标问题。在本文中，我们建议重新审视NMF作为一个多目标问题，特别是一个双目标的，在输入和特征空间中定义的目标函数考虑。通过利用多目标优化文献中的加权求和方法，提出的双目标NMF确定了一组非支配的Pareto最优解，而不是一个单一的最优分解。此外，相应的帕累托前沿的研究和近似。对真实高光谱图像进行解混的实验结果表明，与现有方法相比，该方法具有较好的解混效果。
2015-01-22 cs.CV cs.LG math.OC
