网络中的异常聚集检测
本文利用生成潜在位置模型将变点检测问题定义为假设检验问题,关注时间序列的随机块模型这一特殊情形,并分析了基于不同局部统计方法的两类扫描统计量的极限分布和功率特性,并在合成数据和 Enron 电子邮件语料库上理论和性能比较,证明了两种统计量在一个简单境况下是可接受的,而其中一种统计量在第二种境况下是不可接受的。
Jun, 2013
本文针对网络环境下的异常检测问题,通过系统分析已有的公共和私有基准数据,探索了其时态性、多变量性和空间属性特征,并提出了基于聚类的简化标注方法,实验结果为 2-10 倍。
Nov, 2022
提出了一种计算理论和半监督聚类算法,将聚类定义为根据所选的聚类原则和度量方法获得数据分组,使每个组不包含异常值,所有其他示例被认为是边缘点,孤立的异常值、异常簇或未知簇。
Jun, 2023
本文提出了一种用于动态图中异常检测的两阶段方法:第一阶段使用简单的共轭贝叶斯模型对离散时间计数过程来跟踪图中所有节点成对的链接,以评估其正常行为;第二阶段则通过对潜在异常节点进行标准网络推断工具的广泛减少,从而使方法的效用在模拟和真实数据集上得到了证明。
Nov, 2010
研究开发了两种新的统计技术,用于自动检测云基础架构数据中的异常,采用季节性分解和鲁棒统计度量,有效实现在季节性高峰存在的情况下的异常检测。从容量规划,用户行为和监督学习三个方面证明了所提出技术的有效性。
Apr, 2017
本文介绍了两种方法来解决实际应用中时间序列异常检测的需要,并结合自回归 (AR) 模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量,将所提出的方法应用于两个工业异常检测数据集,并与文献中的方法进行了比较。此外,本研究还指出了采用此类方法在实际应用中所面临的其他挑战。
Jul, 2022
通过学习控制感知,本文解决了检测给定二进制过程中异常的问题。我们设计了一种顺序选择策略,以最小化决策延迟和总感知成本,并使用深度增强学习和深度主动推断算法来解决该问题。
Nov, 2023
论文介绍了一种新的检测时间序列数据异常值的方法,主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值(或向量)上的概率分布。
Jul, 2020
通过将正常样本的密度函数假设为在某些紧凑区域内是均匀的,减小方差放宽了对于特定数据的超参数调节要求,提出了基于改进密度估计的异常检测方案,并设计了一个方差稳定的密度估计问题,然后使用自回归模型学习了方差稳定分布,最后在 52 个数据集的广泛基准测试中表现出了最新的结果。
Jun, 2023