基于最近邻图的得分函数异 常检测
本文提出了一种基于评分模型的方法来解决属性图中节点异常检测的问题,并在小规模图上取得了有竞争力的结果。对 Dirichlet 能量进行了实证分析,表明生成模型可能难以准确重构它。
Jun, 2023
探究最近邻方法在异常检测中的表现,通过综合模拟实验和理论分析得到最近邻方法相对于其他现有算法的优异性,并针对不同维度数据和异常观测提供有限样本一致性保证和分类误差率公式。
Jul, 2019
提出了一个无监督的时间序列异常检测框架,利用基于点和序列重构模型进行点异常和上下文异常的量化,通过计算重构误差的组合值比率得到名词得分,并进一步将名词得分和异常得分集成生成诱导异常得分,理论上证明在特定条件下诱导异常得分优于原始异常得分,对多个公共数据集进行了广泛的研究,结果表明该框架优于大多数现有时间序列异常检测基准模型。
Oct, 2023
本研究在 52 个实际多元表格数据集上评估 32 种无监督异常检测算法,在收集的数据集中,K-thNN 算法在大多数情况下表现最佳,也确定了两个清晰的簇,一个有 “局部” 数据集,另一个有 “全局” 数据集,考虑到算法的计算复杂性,这三种算法足以找到代表性的多元数据集中的异常。
May, 2023
通过考虑最近邻居和邻居的邻居(k-NNN)提出一种新的算子来提高异常检测算法的性能,在常见的同质数据集(例如具有特定类型的花卉或坚果)和更多样化的数据集上均得到了改进。
May, 2023
本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法,包括在不同场景下的无监督和(半)监督方法,以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性,并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外,作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用,并讨论了该领域的理论和实践挑战。
Apr, 2014
我们提出了一种新颖的视频异常检测方法:将从视频中提取的特征向量视为固定分布的随机变量的实现,并用神经网络对该分布进行建模,以便估计测试视频的可能性并通过阈值法检测视频异常。我们使用一种改进的去噪得分匹配方法来训练视频异常检测器,该方法通过向训练数据注入噪声来便于模型其分布。为了消除超参数选择,我们对不同噪声水平下的噪声视频特征的分布进行建模,并引入一种倾向于使不同噪声水平的模型保持一致的正则化器。在测试时,我们使用高斯混合模型将多个噪声尺度下的异常指示组合起来。我们的视频异常检测器运行时延最小,因为推理仅需要提取特征并将其通过浅层神经网络和高斯混合模型进行前向传播。我们对五个常用视频异常检测基准进行的实验表明,在面向对象和面向帧的设置下,我们的方法表现卓越。
Mar, 2024
本研究使用图神经网络和非广义熵在全球金融市场中探测异常,研究发现高度相关资产的复杂结构在危机中减少,并且在危机前、中和后,非广义熵参数下的异常数目存在统计差异。
Aug, 2023
本文系统评估了多种无监督和半监督的基于深度学习的方法,针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验,我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量,该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明,通过动态评分函数,相比静态评分函数,更能提高检测的准确性。而在具体的评分函数的选择上,往往比基本模型的选择更为重要。最后通过实验,我们发现了一个简单而有效的检测器,即基于单变量完全连接的自编码器,并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。
Sep, 2021