GraphShield：基于图神经网络的先进动态图恶意软件检测系统与D4算法在重叠区域分类中的创新应用

本文推荐一种新型马尔科夫链式单通学习框架D4（Diversion of Data Distribution Direction），通过自适应宽度调整机制与数据分布方向投影技术，有效解决超椭球模型（hyper-ellipsoids）在流式数据分类中的重叠区域歧义问题。该算法在9个数据集（2,011-567,498样本量）验证中取得最优准确率与宏F1值，兼具计算高效性与模型紧凑性优势。

　　

研究亮点

本研究针对超椭球学习范式中的根本性挑战——分类歧义问题提出创新解决方案。当数据点位于不同类别超椭球的重叠区域时，传统方法存在显著分类不确定性。D⁴方法通过两个突破性机制应对该问题：新型自适应宽度调整公式防止边界过拟合，以及分布方向导引技术将数据投影至最优分离子空间。

结论与未来研究

本文提出的超椭球框架为流式数据单通学习提供了新范式。通过结合数据驱动适应性与动力学稳定性机制，显著提升重叠区域分类精度。未来研究将探索动态子空间投影策略与非线性特征变换的融合应用。

作者贡献声明

Peemapat Wongsriphisant：概念设计、算法构建、实验验证及论文撰写；Kitiporn Plaimas：验证分析与项目协调；Chidchanok Lursinsap：理论指导与学术监督。

利益冲突声明

作者声明不存在可能影响本研究结果的财务利益或个人关系冲突。