本論文では、Two-Stage LKPLOという新しい多段階外れ値検出フレームワークを提案し、従来の投影ベースの手法の限界を克服します。このフレームワークは、固定された統計指標への依存と単一のデータ構造に関する仮定から脱却することを目指しています。具体的には、柔軟な適応損失関数を用いた一般化された損失ベースの外れ値測定(PLO)、グローバルなカーネルPCAによる非線形データ構造の線形化、及び多モーダル分布に対応するための局所的クラスタリングステージを組み合わせています。10のベンチマークデータセットを用いた実験により、Two-Stage LKPLOは最先端の性能を達成し、特に多クラスタデータや複雑な高次元データにおいて従来の手法よりも優れた結果を示しました。また、カーネル化と局所化の段階の組み合わせがその優れた性能に不可欠であることが確認されています。この研究は、外れ値検出問題に対する強力な新ツールを提供し、ハイブリッドな多段階アーキテクチャの重要性を強調しています。