Rastgeleleştirilmiş düşük rütbeli RXdedektörü

Anormallik tespiti, görüntü analizi ve ağ saldırı tespiti dahil olmak üzere çeşitli uygulama alanlarında önemli bir konudur. Reed–Xiaoli dedektürü, analiz edilen veriler Gauss dağılımına sahipse kullanılabilecek verimli ve doğru bir anomali dedektörüdür. Ancak, gerçek dünyada veriler nadiren Gauss dağılımına sahiptir. Doğrusal olmayan veriler için çekirdek RX (KRX) önerilmiş ve yaygın olarak kullanılmaktadır. KRX yöntemiyle ilgili en büyük sorun, büyük veri veya gerçek zamanlı senaryolarda kullanılmasını engelleyen yüksek hesaplama karmaşıklığıdır. Çözüm olarak literatürde KRX yönteminin Rastgele Fourier Öznitelikleri (RFF) yaklaşımı, yani RRX yöntemi önerilmiştir. KRX'in bir başka zayıflığı da sayısal sorunlardır, temel olarak çekirdek matrisi kötü koşullandırılmıştır ve düzenlileştirme ile çözülebilir. Bu durum RRX yöntemi için de geçerlidir. Bu çalışmada, en iyi düşük dereceli yaklaşımın Tekil Değer Ayrışımı (SVD) olması nedeniyle verimli bir çözüm olarak RRX yöntemini randomize SVD ile genişletiyoruz. Önerilen yöntem, randomize düşük dereceli RX (RLR-RX), hem RRX hem de KRX'e kıyasla daha iyi hesaplama karmaşıklığı ve daha iyi algılama performansı saşlar. Önerilen RLR-RX yönteminin etkinliği ve algılama performansı, sentetik bir veri kümesi ve gerçek dünya veri kümesi kullanılarak gösterilmiştir. Anahtar kelimeler: Anomali tespiti, RX, çekirdek RX, rastegele Fourier öznitelikleri, düşük-rank, rastgelileştirilmiş SVD.