Zespół badaczy opracował D2H-AD, framework detekcji anomalii oparty na hiperwymiarowych obliczeniach (HDC). W przeciwieństwie do tradycyjnych metod machine learning'u, które wymagają dużych zbiorów danych i znacznych mocy obliczeniowych, to podejście wykorzystuje mózgiem-inspirowany paradygmat reprezentujący dane jako wysokowymiarowe rozproszone wektory. Wyniki pokazują, że metoda przewyższa popularne baseline'y takie jak One-Class SVM, Isolation Forest czy Autoencodery.
Clou przełomu tkwi w połączeniu dwóch koncepcji: oceny podobieństwa opartej na odległościach oraz kodowania uwzględniającego gęstość punktów danych. Ablacyjne testy wykazały, że samo hiperwymiarowe kodowanie daje o 5,4% wyższy ROC-AUC niż bezpośrednie zastosowanie podobnych metryk w pierwotnej przestrzeni cech. To oznacza, że transformacja danych do wyższych wymiarów faktycznie ułatwia rozdzielenie anomalii od normalnych obserwacji.
Co ważne, D2H-AD jest lekki, efektywny obliczeniowo i interpretowany w jasny sposób. To czyni go szczególnie użytecznym dla urządzeń IoT, systemów edge'owych i aplikacji wymagających pracy w czasie rzeczywistym. Badacze validowali rozwiązanie na pięciu standardowych zbiorach testowych, konsekwentnie uzyskując lepsze wyniki F1-score i ROC-AUC od konkurencyjnych metod. Potencjalne zastosowania obejmują ochronę cyberbezpieczeństwa, monitorowanie sieci smart grid oraz diagnostykę medyczną.