Краткое содержание

arXiv:2511.12147v1 Тип объявления: новый Аннотация: Моделирование нормального поведения в динамических нелинейных временных рядах является сложной задачей для эффективного обнаружения аномалий. Традиционные методы, такие как подходы на основе ближайших соседей и кластеризации, часто зависят от жестких предположений, например, от предопределенного количества надежных соседей или кластеров, которые часто не работают в сложных временных сценариях. Для преодоления этих ограничений мы представляем Granular-ball One-Class Network (GBOC) — новый подход, основанный на адаптивном к данным представлении под названием Granular-ball Vector Data Description (GVDD). GVDD разделяет латентное пространство на компактные области с высокой плотностью, представленные гранулярными шарами (granular-balls), которые генерируются в процессе иерархического разделения, управляемого плотностью, и очищаются путем удаления шумовых структур. Каждый гранулярный шар служит прототипом локального нормального поведения, естественным образом занимая позицию между отдельными экземплярами и кластерами, сохраняя при этом локальную топологическую структуру данных.