Details

Работа посвящена разработке метода выявления аномалий в поведенческих данных на основе архитектуры нейронных сетей Колмогорова–Арнольда (KAN) и крупномасштабного вейвлет-анализа. Временные ряды преобразуются во вложенные облака точек (метод Такенса), из которых извлекаются топологические признаки: диаграммы персистентности и энтропия. Для восстановления и анализа используется система вейвлет-автоэнкодеров, обучаемых по каждому признаку, с последующей агрегацией выходов через XGBoost или взвешенное голосование. Предложенный подход обеспечивает высокую точность и позволяет проводить детальную интерпретацию аномалий. Эксперименты на данных пользовательской активности демонстрируют эффективность модели в задачах мониторинга поведения и информационной безопасности.

This thesis is devoted to the development of a method for anomaly detection in behavioral data based on the Kolmogorov–Arnold Network (KAN) architecture and large-scale wavelet analysis. Time series are transformed into embedded point clouds using Takens embedding method, from which topological features such as persistence diagrams and entropy are extracted. A system of wavelet autoencoders is used for reconstruction and analysis, trained separately for each feature, followed by aggregation of outputs via XGBoost or weighted voting. The proposed approach provides high accuracy and enables detailed interpretation of anomalies. Experiments on user activity datasets demonstrate the effectiveness of the model in behavioral monitoring and information security tasks.